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

1 `, Z4 d5 H! Z: l& ^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？

一、分辨爬虫的善恶

$ A. N* ~! F) x" a1 C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。
: l; O+ _  X9 Q+ B
5 P3 Y7 T1 V2 v# [' m6 }二、如何防止网站被爬虫？

  ?2 R6 q% H9 }5 x& \# e( O* [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。
3 T2 p) p' q6 B) T5 j& M, S9 r* u
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。
. [" {5 u, a3 D
8 E3 Y3 C' j  z' {( _2 Z7 Z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

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。

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。
) o6 T: l4 G: n1 H
' x% o% u- ?" J8 D3 S, x2.限制IP

, O6 V0 I( N0 Z, j6 ?- C. ]& x- j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。
7 |& \0 R, c0 s' Z' f; O+ U
9 o0 K5 r6 [; ~) `* e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。
4 o, _) p( d+ R" n! {8 G  `
2 ^/ J7 K! |# p6 ~9 s/ c3. 添加验证码
' z5 ~; Z2 X+ a' e% s0 V
* r8 Q- i: o  D; o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。

( B$ G3 o9 l: ?

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