防止网站被爬虫抓取的方法有哪些

横行无阻

防止网站被爬虫抓取的方法有哪些
; |) z  ~1 g" P  S4 i) i4 ~
9 Y. c$ J. U) @" L8 q防止网站被爬虫抓取的方法有哪些

: @2 _( P" s! T% d. a对于网络爬虫，我们是既爱又恨。一方面爬虫可以带来客观的流量，另一方面又会占用服务器资源。因此在面对爬虫时，进行爬虫管理很有必要。那么我们该如何防止网站被爬虫呢？
  h/ v) S: k3 [  e1 {
一、分辨爬虫的善恶

网络爬虫分为两种，一种是善意爬虫，例如百度、Google等搜索引擎的爬虫，另一种是恶意爬虫，它可能会利用网站漏洞，非法窃取网站数据，或者爬取网站内容，占用服务器资源。恶意爬虫的行为是我们所深恶痛觉的，必须想尽办法予以过滤和阻断。网站或者某一些网页不想被诸如百度、Googl等善意爬虫爬取时，我们也希望能采取一些措施。

/ T2 J; b2 e: Q: E& f9 }二、如何防止网站被爬虫？

9 j& `3 F  [8 q1 Y  j: J针对善意爬虫，几乎所有的搜索引擎爬虫，都会遵守robots协议，只要我们在网站的根目录下存放一个ASCII编码的文本文件，告诉搜索引擎哪些页面不能爬取，搜索引擎的蜘蛛便会遵照协议，不爬取指定页面的内容。

0 J" j# Y/ D3 O3 E但是robots并不是一个规范，而是一种君子协议，它只对善意爬虫有效，并不能防止恶意爬虫。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
5 \6 ?( l$ t5 C' ^1 O( n
1.限制User-Agent字段
; F6 R6 L' r. m. {1 b/ P, ^% Z
User-Agent字段能识别用户所使用的操作系统、版本、CPU、浏览器等信息，如果请求来自非浏览器，就能识别其为爬虫，阻止爬虫抓取网站信息。
% D1 ~2 E% g7 l9 l' I# [
User-Agent字段虽然有效，但对于精心构造的爬虫来说，效果并不好。攻击者可以通过在恶意爬虫请求的User-Agent字段中带上baidu字符，伪装成百度爬虫绕过这一规则，无法被拦截。
4 X" s$ H1 C/ F, a) z
2.限制IP

6 c, u  V$ l+ q. d限制IP是最常见的手段之一，为了效率，恶意爬虫的请求频率往往比正常流量高，找出这些IP并限制其访问，可以有效降低恶意爬虫造成的危害。
* H: u' }2 W8 h5 {. z2 Z( b- \
* ~0 I# ^7 V4 V% m. j& _" L9 }' \不过限制IP也有自己的缺点，容易误伤正常用户，攻击者可以通过搭建IP池的方法，来解决这个问题。
+ e% E7 i) U5 t: i7 ^: Z) ^
$ z7 Q0 }; l- M$ t1 E3. 添加验证码
3 ~  k# c3 `" Y7 c1 l- j
# m( e, F* B% l在登录页等页面，添加验证码，以识别是正常流量还是恶意爬虫，也是一种基本的操作。不过如今爬虫技术，早已能解决验证码的问题，例如二值化、中值滤波去噪等等。

$ j: l; F5 B1 k6 ^- V0 ~5 c7 E! U

3 Y8 M0 h2 Q1 |原文连接：http://www.szw86.com/thread-9831-1-1.html