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
$ P$ q; Q* D" }2 e6 M9 I1 |4 u8 ]
防止网站被爬虫抓取的方法有哪些

  ^# Z2 J, ^, }$ Y; l; f. I4 `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？

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。
& y% g5 e# i5 E: ?9 D; Y4 t
二、如何防止网站被爬虫？

# v5 m9 T8 g$ t9 e0 |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。
- [/ e. {- s6 f
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。

6 E2 @. F$ X* n# K8 P针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段

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。

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。
) A. S( I; x8 _2 y6 V' b
* B6 M  \8 u& x9 k2.限制IP

# j* Y: h) ~( s  t5 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。
5 R- j/ \( d8 s7 `4 Y7 e" r$ L
& u6 x3 ~6 v; r0 \; K5 ?- z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。
- b0 e7 }' O5 z' A8 r$ u: U
  j+ s! c, z6 k) u$ ]3. 添加验证码
* `3 p' x" V0 m( ^
! q2 `: P; Q: j' N% e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。

& T" |0 p3 ~; D! o$ [

: k2 O* m! r0 Z) t) q+ }+ ~原文连接：http://www.szw86.com/thread-9831-1-1.html