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
0 B$ }7 R1 p) Z$ o
防止网站被爬虫抓取的方法有哪些
4 z; P' Z* n; k2 w* E8 E% d" 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？
" U, U5 O% }( i- M/ ?) c
; E' D& J, L; A一、分辨爬虫的善恶
9 Q" x- u' a3 s: X
2 a$ ]: [" Q4 x9 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。
# o( i3 o. `( q. T
二、如何防止网站被爬虫？
+ M9 C; ~' D; c' J. k1 d3 ?6 L; X
' L6 K3 `! j, M3 [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。

7 a) j: ^' k5 V. a% `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。
# Z. R0 `" j8 V/ z
1.限制User-Agent字段
' ]5 p& l4 u- V9 h
8 N7 c& J% |9 z0 w" KUser-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。

2.限制IP
& _# X* Z' \+ R* _
# Z) Y% O4 ^1 a( x' {  T. k, {1 x- g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。
! G7 F: M2 H' X* 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。
: c" v# b& o% j7 l, s  u% J
3. 添加验证码
' ?  u1 @" g% O) W) n
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 Z$ h# q6 ^- D2 g, P9 v! \
( O9 i$ z3 s+ R
7 W5 w4 m6 Z& t3 c
原文连接：http://www.szw86.com/thread-9831-1-1.html