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
7 j4 r/ y/ n6 u9 h) F: v
( O6 F; g; K0 N5 Y$ V; q% ]0 Q8 B防止网站被爬虫抓取的方法有哪些
& l7 m# h; C, N- Y2 Z$ Q
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

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。
7 u9 {0 @6 }. f5 z8 s' ?
8 A' S) I! c4 y1 l0 _: {0 n* p. D二、如何防止网站被爬虫？
% M8 g, [- d0 l% ]* w( X/ {" F
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。
) Q. x! w# P# Z& c( k) U$ r3 [& W; n
. A6 r: p$ k: K4 E' l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。
8 R" _' g6 d1 w+ [) M& `# p
5 M5 B, n) r6 H5 [6 e& s针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段
' d) E; d) V0 L" \5 p$ E
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。
5 y# I8 p  ^. p7 S
: L+ y, l: J7 _% t& L% ]1 `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。

4 O4 z# y5 }% e7 S* ^2.限制IP
7 n2 g* p2 N& i- A
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。
, `. U7 I+ `, P/ a
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。

3. 添加验证码
' a2 \1 Z& T5 X$ p. e5 s' D
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。
3 h% c* a7 Y% }% x8 [
  _7 }: b. Y$ `- I3 m( q* g* S9 l& S6 I

原文连接：http://www.szw86.com/thread-9831-1-1.html