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
$ s6 K: x* @# X1 u
# u/ L3 Y- J' r) w2 Z+ p防止网站被爬虫抓取的方法有哪些
8 O1 J6 w9 E5 [' @
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. l5 q  Q1 \* ^5 Q  T
, k9 U& M) S1 i1 b  z) v一、分辨爬虫的善恶
& m. e/ A6 o* x; v" G6 W7 s# [
7 ]) Q2 A' C$ I# `  c& P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。
* A3 S. D* }8 {7 ]1 E
二、如何防止网站被爬虫？

& X$ W( g% G; Q- a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。

! H% A0 {, l, S: c( S: j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。
' M" \  |) _$ d6 f. u- i1 U
1.限制User-Agent字段
* y6 R1 A/ F# `- Y
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。

8 s6 n! f: u/ A7 uUser-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。

& W3 {0 S/ L9 u+ H# V2 R3 E( q2.限制IP

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。

/ W6 \9 v2 J1 z2 q! J- i& I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。

& v' I$ t3 [+ @3. 添加验证码
4 Q! D5 h* \& Z; J. K/ K7 ~
9 m8 V& I3 Y. y2 U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。
& Z% D4 k3 P; \
; m; S# \2 R+ |! \* \! H4 ^( M

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