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
) C& r( i8 F4 O9 f
防止网站被爬虫抓取的方法有哪些
+ C1 u5 K( Z) o' N0 g! q/ t7 ~
- y+ {: z( A! w, ^( v, Y! R! Z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。

二、如何防止网站被爬虫？
7 V* M) |, n9 d" }# ~6 C
7 x# n( C! y2 k+ x4 H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。

3 d! u# l- ]% W( Z0 O5 K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。

5 s  _% f/ T8 Y% g1 ~7 e  U针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

' G8 i% o3 s) \. S5 R9 v4 k1.限制User-Agent字段
: e# _1 l5 p( o7 `. B" P
) R1 j. ]0 H  A: wUser-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 `/ f3 J1 _, v2 J9 r2 B6 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。

2.限制IP

7 Q6 o& ?" c# E2 S& j5 [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。
7 h# F; G2 z7 }- X
! e/ d3 c' |2 }4 O! Y0 X$ c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。

: g) R9 x  g1 d1 t( C7 b2 u3. 添加验证码
1 f3 f3 @% K! N
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。


$ |4 R' s8 F3 v7 e% _
原文连接：http://www.szw86.com/thread-9831-1-1.html