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
" I  q8 f1 Q* l; g; N+ |3 L
9 Z9 _$ `: K7 j1 h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？
6 E; n6 p- M7 D6 k, n% i
一、分辨爬虫的善恶
- _+ J' ?: L/ [1 H. H
' x$ d8 N) K# ^/ q& t0 Q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 d. _: \# y2 v( {$ j
0 {! e4 R+ ?8 S5 ?3 z% h二、如何防止网站被爬虫？
& x" G' f6 G2 V# T* P' m
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 I7 a/ v9 ^8 b- 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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

3 Z. U* Z, N- Y" L! ~1.限制User-Agent字段
3 ^, U7 _* s1 Q" j
+ q; }. G- F* g. C0 }) tUser-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。

5 b& [+ m1 U6 V% C- {0 `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。
" G) Q1 o& H: S( U0 X$ D5 C9 b( Z
6 x3 _$ J. d! x& d# W0 L2.限制IP
. J' y4 B% F) {
6 j2 ]2 p5 I; A. G% 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。
( k/ N$ s. Q( M$ h& n" p
2 u1 L# x) g' s( I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。
# k4 u( x$ u) ~% y; \+ y- O! K
; O: y7 y2 A- I# e9 N8 I3. 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。
6 X4 d2 c5 M; u. }) t- B
* \" [8 x& L1 ~
( I: Z; B& O8 @! v1 V  ?$ Q
原文连接：http://www.szw86.com/thread-9831-1-1.html