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
0 W1 d: y$ [4 L2 d
% v, I# c3 ], t防止网站被爬虫抓取的方法有哪些
" n; a8 D% }: r4 }  ]+ _# L
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？
1 g6 J' d# v/ E, ]4 N" S3 ~
2 g2 U9 A- d4 H4 _% u9 E- X一、分辨爬虫的善恶
; V, l! p; Q: W! F& {, h8 |
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。
/ N! ?; u# v, m  x& y- d- G
二、如何防止网站被爬虫？
$ \/ V( _: M5 T# f9 N0 S
$ @2 ]" g' D5 o: }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。

- Z6 F  B/ K7 ~4 R$ `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。
/ w& x4 {: a3 ?! A6 G1 K& m( b
: o& I& `# W% z9 H针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1 A2 z( ~+ I+ G' ~5 z: U1.限制User-Agent字段
( @1 d3 u8 R1 {* _# C) v0 X
, k6 e& Q( v$ {- L3 |% k' oUser-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。
; D5 u; b* i% \5 }7 M/ f$ C
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。

2.限制IP

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。

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。
; f8 u- p! ]9 o6 h% _9 ~
* O5 S* x9 l( l6 [7 J$ B3. 添加验证码
( a+ x* k& q, S4 |1 L" q% M
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。

* i4 }0 @. q% \+ a5 u

1 V* Y: z$ t' ~2 t" k- [  @原文连接：http://www.szw86.com/thread-9831-1-1.html