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

& n  G( K1 N5 `防止网站被爬虫抓取的方法有哪些

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？
8 k7 @8 q: N6 P' u/ k# s1 k
7 D4 `9 \2 z% o1 I5 ?一、分辨爬虫的善恶
5 i- @2 c5 N! C0 Y  k/ 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。
$ J/ {9 D; a2 }% A+ K
+ M/ @1 B( F/ j二、如何防止网站被爬虫？

$ V1 E2 Z! Z& g6 ]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。

+ u/ G6 }. V1 X$ ^6 u# c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。
  O. W6 \2 L& \! i" _/ s5 m( s( I6 N
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
; u. h" N* o) M
  j* [2 G* {8 S: w5 [1.限制User-Agent字段
* F% ?. t! q( ?7 l8 k2 R
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。
1 r) s6 r4 y  U9 R0 y
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。

; s" c  \$ O; i! U$ n2.限制IP
$ ~- z2 @4 G. R$ _
6 `" _/ H, g# T' y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/ r' L! t1 l8 p$ j
) e; \# \/ K3 B1 F# ~. U2 `* g" `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。

3. 添加验证码
7 L% g( p4 O6 v1 y. g& Q, G
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。
. F8 l) p* K6 d# h


1 x, G  M& s; k原文连接：http://www.szw86.com/thread-9831-1-1.html