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

防止网站被爬虫抓取的方法有哪些
" M! J; M$ Q  q  \
: T% \+ P8 V2 Y; v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？

/ J% e+ v1 H' }) d" n; X7 u! y一、分辨爬虫的善恶

: U. h1 z1 V  O# o" J* \. d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。
6 F( s# H% L# ^0 Z6 J7 l
二、如何防止网站被爬虫？
  z: ]7 c- L8 j' A. e
6 T  k0 ~8 E$ D) @6 p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。

' O, _6 b" x: X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。

0 L: I; A, ]8 Z* I& Q针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
. q, V* z. v* G0 F+ b# q
1.限制User-Agent字段
" w% R4 s/ D+ w' F% X8 h/ \
6 r1 Q* \5 |$ U# F/ {  R+ d" W! J5 @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。

7 L1 A- n$ E1 q. x/ D, }2.限制IP
0 u/ I% X/ Z+ X1 L
0 |4 h9 {/ |0 W1 o1 O. T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。

% k  w% V( W& h* z; V2 n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。

3. 添加验证码
& z! v% J/ ?4 I- f7 g
! I& O* u- X/ r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。
% ^  X' B$ e1 ?/ T0 X# O$ e


原文连接：http://www.szw86.com/thread-9831-1-1.html