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
1 i1 C& \$ K, k  a
防止网站被爬虫抓取的方法有哪些
$ t* k1 d* _6 O" f5 r& K+ t
. E9 c8 c1 S% @* T' r; 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？
" O. X; E3 b; D) z- Z1 Q
4 D7 z# ~( R& ?& V一、分辨爬虫的善恶
$ c0 _: K2 k) T8 Y& H. C8 E
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。

二、如何防止网站被爬虫？

- ~7 G2 ^6 }( d' c/ y. J' E9 n) n1 p0 j, f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。
2 Z; \$ V: P( J$ l
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。
/ `( s* L) B0 o
5 r& ^' y; Q; d  o' H针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
& G* o, C* |+ s- z
+ S( X' \( p- T/ w7 v8 Z8 I5 G1.限制User-Agent字段
  K- [+ _0 ?$ a8 x+ f. m8 M  Q, O
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。

- Y' G& ?* _$ s3 e  c1 W/ }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。

; `' h( K2 F8 j  d; X. l+ w2.限制IP
  E/ T2 c9 b/ Z0 k' b  z5 O
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。
2 M. @5 n. P; r! C2 A7 g: ^
$ p. T$ n+ q0 B9 H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# K& A5 j3 E$ J& n  X" ]: r( M
3. 添加验证码

! _& f* z0 x) A3 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。


5 S% ^* w8 N7 `0 x8 c
原文连接：http://www.szw86.com/thread-9831-1-1.html