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 y* z, p( C2 s- U- J
防止网站被爬虫抓取的方法有哪些
# q8 U; _+ P8 ]3 U6 n0 S6 u0 h
! N2 r2 U' R5 ?/ W$ |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？

1 ^3 w- {# w* p5 a' U- O: Y" C一、分辨爬虫的善恶
1 W8 |3 U" R# |. y" i+ ]
5 i9 ]& Z8 V8 o) |: C# e% G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。
# k% l2 z- I8 m  @; \% a8 A
二、如何防止网站被爬虫？
+ j: N6 a8 o# e# p: f: _
4 |! c9 \' m7 K% A7 [; ~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。
4 z, w+ T/ L) g, X/ t# Y  j
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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
8 F/ a9 j  E; q! O- b% V: L0 b
  [& }* F& {/ X: I# h1.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。

( `3 a# P" C& M/ NUser-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。

( k  e$ |5 Z+ e( p2.限制IP
! m) _  I; f+ [/ O* q# y. F
" E* K) `9 @  b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。
, k' P9 d- [. _
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。

8 N" }4 x+ Q. ]3 V' B& V- U2 h3. 添加验证码

9 ~5 \' X8 G9 _9 n* [* D1 u+ Z8 L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。
) A" r0 j- Y5 w  ~2 I


6 a5 B. l) D- |原文连接：http://www.szw86.com/thread-9831-1-1.html