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 Z9 x% ]- p: c! N$ J- c
9 v; |+ G2 [5 Y7 b3 Y. y+ Y' _防止网站被爬虫抓取的方法有哪些
& ^1 O5 v, o5 E) D
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
8 x# o3 V+ h' S/ {+ r3 U
6 t1 H8 r( d2 ^' m3 F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。
. v7 [- m1 {1 z# M# e
: `% d  C$ W' a二、如何防止网站被爬虫？

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。

8 F: [( T, w9 ^. y0 [- m  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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
6 F9 @+ M+ c/ F& X3 S( i, e
1.限制User-Agent字段
+ M! S$ k5 `! @. I- Z" j
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。
  O# g/ r8 L/ j* M9 p9 Q+ t3 H
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。

2.限制IP

" u, ^  g  K5 C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。
# a  y' D& ]' o
, o4 h9 `) U* v0 S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。
$ Q" d1 F! [: p; h5 H5 _
0 j) w& P. Q' c! P0 X3. 添加验证码

8 i* ]% e% ?9 G! E! e0 N! J1 ~8 D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。
) D7 P# |9 Y3 j4 S

( q; l( k& }8 Q9 ~! @5 J, |
原文连接：http://www.szw86.com/thread-9831-1-1.html