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
; N5 E' y5 A. g) Q/ P8 Z! W
防止网站被爬虫抓取的方法有哪些
7 |$ U4 @: ], i; {; P; R) K6 B7 o5 t
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？
: v: s7 b4 O  C! u2 v2 A; b
一、分辨爬虫的善恶
! l# K: F" H" @) h, G+ W, e
' g- k, I* ?4 Z7 N/ L8 B) M/ 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。
' J6 q, G" ?8 V
二、如何防止网站被爬虫？
- K" P% W, P7 N) {5 q& m
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。

7 w! F1 y# I- {2 f. y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。

3 C. f7 t3 x" H针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段

$ m& w9 K3 K6 p# M& y; `( n, AUser-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。
/ H& T; \7 e3 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。
7 w$ }0 a8 b% u
2.限制IP
3 _2 M2 [5 u7 M9 T3 r  g* G2 h' 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。
- [0 _( O. S# F- H* x) @
7 U- X/ l- V9 b4 S- i3 ~; N" ?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。
: s3 M3 q" A! k( A, _
7 j' ?) z2 R$ p, _0 G3. 添加验证码

! y- e) x! H% k# u3 @# @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 g8 W& r0 k5 A2 W; {: e& Y" n% d

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