|
防止网站被爬虫抓取的方法有哪些
$ f# E' ?& O; I2 e. P
! ? a9 h- R# ~+ g' j6 x' T防止网站被爬虫抓取的方法有哪些
" F8 U. p. y4 T) R) B' v+ V
1 J6 z4 B) B& N/ Z+ F8 T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?
* \4 T9 t Y4 r+ g
* a% G# C ]8 H一、分辨爬虫的善恶
' m8 r+ `8 s& N/ E$ C5 P# j, C, f/ {. \* n1 n3 e
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。
# ]9 k9 J# X3 g5 Y* c/ o7 }$ W$ W
2 }: b! ]' W9 j$ L二、如何防止网站被爬虫?# v) f f. h, s4 U* e" ~' ]3 ~
# d8 I5 M7 m/ k# G; E* `5 d" g
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。
! @+ Y: K& @" d) y) r: L3 L: G6 M' h: x( H6 T5 B7 b8 F
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。
! k+ y) C. n: Q
. R3 t1 {# P+ y2 r, z# {+ e+ E6 J4 F针对恶意爬虫,我们可以采取以下措施来识别和阻断它。
/ J9 S+ a3 Z) @; J6 U7 `* H/ ^1 R: u' ^9 g e
1.限制User-Agent字段) G. E& d& E, t: _% N. b5 L
5 D" n) h( P7 P$ A* m: A4 iUser-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。0 x) t! v5 X6 O
3 V P8 [0 ^6 w* M; f# T4 e- N6 h* xUser-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。$ | ^# J0 ^; d( A' s
" B' j9 U: Z1 X
2.限制IP+ S6 J" `- b0 K: ?& w$ x
) u+ ] P; H% U) D7 k
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。6 H p6 d: H' E+ \1 b$ i, @& |. z! o+ B9 t
4 o5 m1 r* P9 h) @% H+ X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。/ T5 q! A! {( [" Y
' X+ n# v7 M) h( L6 [. C3. 添加验证码4 o3 [: U5 `$ y8 J U: b
. L/ a/ k( c6 Y
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。 q2 j; r. H% b8 F& ]* g
$ U9 _8 D" `% r n$ x* x7 Y4 W% v
8 _. F9 J' [6 L) @
2 L J. n5 P: `
原文连接:http://www.szw86.com/thread-9831-1-1.html |
|