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
2 D) f$ k2 d8 L5 P- x
6 j" _' X$ H* M& |防止网站被爬虫抓取的方法有哪些
! P5 J( w; X9 c! G( x; 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？
" T* U& @% h* L9 v7 y3 {9 E) G' W) |
0 x( A8 ?( t+ \+ W5 P9 k一、分辨爬虫的善恶
( Q, j6 q9 y3 l" g4 }
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？
3 Q* c3 `2 q. P( {1 F/ o3 n- f
! y, T( C6 Y2 L% d, z. @& [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。

" p; e; d' `. }+ @0 `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 q3 e* t+ q$ V5 e) @
, y7 d" q* y+ U* \& T. i7 U针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
4 f0 v) Q  Q. l) A! k1 V
1.限制User-Agent字段
1 [. D! v% N( \* m. ?, J0 z
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。
$ X8 X. B2 L) H; g& Y
9 V2 @+ y" q1 S' OUser-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。

: I3 v1 X" z, R! |, {( M" b2.限制IP
9 l6 _: ]: ?" K: p
! J8 G; P% R6 N+ e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。
# ~! l" w$ A3 c9 B  C
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。
9 P. D" `) n2 ]8 g
) [9 l6 F9 T  b# L8 u; q3 P$ K3. 添加验证码
2 L4 P" ^0 [) g
5 s9 N* \9 K$ Y1 B9 Q' V4 t3 V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。

& w$ r" c% d) C1 E( N  q

* ]9 H  i, E- d' }- Y* v+ w7 Q' \% D原文连接：http://www.szw86.com/thread-9831-1-1.html