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

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？
! O* B( y  A$ T4 e
$ k  j5 f1 V: G( }/ C6 T0 Y8 n9 i) L一、分辨爬虫的善恶
5 u9 j: ]! y9 h/ w
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。

二、如何防止网站被爬虫？
* T4 L: |- R, b  J% s
, b9 x& W1 ~$ C2 v. `) 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。

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。
7 ~( G: F# e1 x1 c' _
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
: m( M  x& ?0 E6 |( i
1.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。

; h6 `2 A( W% b" R0 y7 M% R2 z+ c' l2 bUser-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。
$ ~  m9 m6 ^7 ]- s, D% B  U
  _0 k: ?/ ^- J( _' u2.限制IP
* |" a: h8 s7 g) u; V
9 O' p3 J  l8 t+ t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。

. t) a- g+ Y* d7 u# [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。
' I: B# F% S. p1 |. m' q
  w9 u% ^% E1 G! e: L* U% q3. 添加验证码
' A5 B7 F& ^3 o& p& U/ Z
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。

+ z, o* H; ~  j4 U  g: n' R* }
, O9 |+ Q! _; O8 s& P; z/ G
原文连接：http://www.szw86.com/thread-9831-1-1.html