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
2 A! L0 G# |9 b+ f) B
6 S; q) t* s+ q6 _" v; ]防止网站被爬虫抓取的方法有哪些
2 ]. q& B8 x+ B4 C1 G) \5 C
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？

一、分辨爬虫的善恶
; K, {" c! N$ ~- ^* _
6 J+ w* p+ T  C$ @( Y& B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？

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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
3 T2 h! b; R# s6 U6 j
1.限制User-Agent字段
$ d) h! t# ]2 @  A/ L" N+ K, @, L
7 f$ e% s6 n, 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。
1 K1 B/ l9 O. S# r8 e
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。
* b. G" O/ W3 ^9 k
2.限制IP
* g$ D$ `& |* y* l  n$ L+ N
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。
. x/ Q7 B1 x- c1 W0 a$ P6 m9 _! i; 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。
( l2 u" l# |# w
5 N1 D4 A4 H+ ], m3. 添加验证码
* N. s* F4 M, ^0 L2 u
2 O) O+ @5 ~7 D2 z9 q1 x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。
( C3 E' Y; \. N+ t

2 K# ?: w3 Y; ^3 M- c! n
0 M9 e+ R3 B4 t" M原文连接：http://www.szw86.com/thread-9831-1-1.html