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
) S! m1 q, a' k# ]
防止网站被爬虫抓取的方法有哪些
8 n5 r9 L" s# I4 S6 V5 ~4 s
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？
9 `% }1 J9 e' y6 v
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。
* W5 j! _! q, p3 k0 H$ z
二、如何防止网站被爬虫？

; f) x9 D6 R6 ]$ ~& d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。
9 p% p6 h0 r# }$ X5 p
* P0 j1 G$ G& u+ h* P+ t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。
$ `; Q  v% @4 W9 d% _2 t
1.限制User-Agent字段
) g* J: U3 _- l- R% k; m- D
8 V7 d& {% m5 O  ]. vUser-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。
6 @& R6 O* h( 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。
5 Z# R' A; P% k9 _  F
2.限制IP

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。
. n/ ~% k( U; 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。

- @/ s  u' F2 a3. 添加验证码

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。
/ J, A$ G  ~! l8 |. q: k1 Y
% L% h& i# `2 h" G) U
& q) }2 I" D/ A( f% Z) u
8 K- ?) n2 o* B- G4 K$ i原文连接：http://www.szw86.com/thread-9831-1-1.html