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$ f% ]" y. B5 J
防止网站被爬虫抓取的方法有哪些
/ Z* w; z9 {7 `9 V- q- k
& v/ d( f6 l+ J9 i$ T( C' _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？
6 }( Y& y& m' g
一、分辨爬虫的善恶
5 D" B8 V2 n% u* g# Y- n( E) U
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。
7 T2 O, L$ \* I
4 Z. |8 ~3 Y! m# E0 [% g二、如何防止网站被爬虫？
/ M+ n; X4 a2 u! c. @" ]
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。
% g* V" H( o" D. [8 A( B, n, |& l
" x+ u, _; S; G% w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。
* v0 W6 C* q$ P( U9 E1 o2 t- C
0 r! A. n% l( h针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
* F% f' u! e7 [- _
7 k/ C9 B1 ]" C4 J* i1.限制User-Agent字段
) W+ M  m$ N+ I( `$ J" a: ~) y6 A
* N6 C1 r. c5 K' x- \9 kUser-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。
+ M8 V. c$ D! x' L1 B' ~
' v1 {% U% }! xUser-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
) l+ f- Z1 T2 k. w0 I
5 w# W! z# V, m. z# L9 S/ 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。

7 f& K; |. m( N/ j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。
2 d/ z. ?' }  x. G. U" o
3. 添加验证码

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。
( n( C4 C! }- S


- x+ C1 D# ~- D. ]1 O+ Q! U原文连接：http://www.szw86.com/thread-9831-1-1.html