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
8 C4 M& H6 V1 P5 x
& z% n+ T) s& g# {0 e3 L: ^防止网站被爬虫抓取的方法有哪些
/ K( T3 N4 Y) p  L6 w9 o; n" E
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？
! ~* N! V$ z3 t+ |
# j: q3 `  h9 q- x# V  m: M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。
) ]# k% P/ E5 l/ R+ x4 k
/ k' @! E- n8 C& s7 ~- k5 p二、如何防止网站被爬虫？
& y, ]3 C& H, g5 `' g
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。

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。
" H, O, D1 u4 z) h# ]9 l
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

, u9 o: q$ z) O& ?( U0 H1.限制User-Agent字段
! C  m# g7 h/ Q8 T  M
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。
; N) z) ]4 h$ M( z5 k8 H
( x3 B: f# {7 Y( oUser-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。
: D3 i: `7 F9 }. ]
+ d8 t) N1 P: g/ j7 A. f* l2.限制IP
# S( U9 i7 Q  S' X" C; x! v% i* f
% \; r, }  I4 i( ?9 U% j( Z" k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。

  u" [, l" p* U$ {* J* }3. 添加验证码

" M* f6 j$ @9 K( m. i* F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。
! c- i9 w6 }0 ~/ _

: G# ?, ]* c" G# ?( h' c
6 }1 S! T/ k$ ^+ n  z原文连接：http://www.szw86.com/thread-9831-1-1.html