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
3 \; Y) P! A% J- N( f) z
防止网站被爬虫抓取的方法有哪些
6 x0 K6 I7 Y$ i' q' J
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？
) @7 a! ~5 r, z  g1 s% q5 T
6 H4 j8 W) l6 x3 }0 b8 i9 N一、分辨爬虫的善恶
0 Y# F0 c& h! }# h
, k/ O$ ?: y! z/ b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。
3 X3 ^/ S- j% P4 l% W
! n+ g. ~& ]8 j! _5 `% \$ y. S! Y  Q二、如何防止网站被爬虫？
4 G! Z- n: x% Q
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。

" e9 J6 c2 A& L- n1 B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。
/ J8 w. }/ i' f5 F
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

' h8 u8 o2 V3 y' l4 ^+ }1.限制User-Agent字段

7 q$ s4 z% {$ R/ x- \+ ]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。

2 d+ {1 t+ t! u, l0 gUser-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。
) L, w/ h. {( u5 F6 l3 f- k9 |
2.限制IP

! _5 g3 r9 u+ d5 u! 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。

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

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。
! D- k3 m' R9 V2 J8 J6 x. z


, E* n5 a# m6 R' t" e原文连接：http://www.szw86.com/thread-9831-1-1.html