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
) m' ]2 M& j1 F
防止网站被爬虫抓取的方法有哪些
$ r7 Y5 {5 A) b/ w6 W
+ v1 L. p  A3 ~: j' H4 l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？

- {5 l/ M4 r) {& X: u3 @3 k( V一、分辨爬虫的善恶
  m# {+ O8 ~$ w2 ~
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。
" ~8 {7 l: Z8 {0 B
+ y: Y! m; ^3 h1 T7 I$ o二、如何防止网站被爬虫？
1 Z, Y7 D3 }' T& x$ u. U, @+ X3 c
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。
/ t. s. @, S4 f+ b* R
' S/ h5 f* J5 P0 `2 L( i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。
, n1 t! X& Y) T) |9 ]$ E6 J, P, p
/ j7 ]' C: j" |4 a+ h8 ^  n% z1.限制User-Agent字段
5 l5 i& T/ N1 C. E% L6 s2 {
* e9 s) {* h0 R* dUser-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。
  m2 C. y% j/ x  R% E! A
! K) a* p) f7 q0 {: r  RUser-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。
; K7 Y2 A2 }# H' S3 y. Q: L4 p
5 F7 q0 h/ j! Z  O2.限制IP
) M4 T$ z4 }) l+ h: }
: `- f, b$ j/ e/ B, m9 ]3 s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 J6 B4 p( x9 ]! G
/ ]8 q: ?, H  ^# j1 q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。
% [- i3 o+ U8 M7 h
3. 添加验证码

/ A. P0 f2 F) b  y2 b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。



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