|
防止网站被爬虫抓取的方法有哪些. S: p( K% _8 J# X+ B
( U2 A; } Y5 ?) U1 Q6 u
防止网站被爬虫抓取的方法有哪些
4 I9 }$ t5 o0 y# N' [; `* \! K$ A' b- E1 l, w
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?
( r% H2 n5 _0 M3 ?! S. O0 ~+ q, Z" b1 @; N b% ^
一、分辨爬虫的善恶0 j% k. n2 y: T8 m
% m9 D1 }) ^; O, E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。
5 w0 Z! [- m% x" B/ G& `, c! g3 |' a. u7 R1 e$ r
二、如何防止网站被爬虫?+ }; M. E/ ~2 h! ]) y' D: Q1 y
* }) G) }. E0 y+ Y, K# [; R
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。' z$ ]( [1 U* z9 @
/ K" c5 l6 y& V) U9 ], d( U
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 C2 s+ U% Z% C% c8 z( e: y5 Y0 z. S# X
" i8 g* u1 ]# r# P( }/ E' x针对恶意爬虫,我们可以采取以下措施来识别和阻断它。
3 I0 P0 P8 W: d
0 _4 p' u) \+ T% B1.限制User-Agent字段" }) \- q. X* P' h1 y
+ ^# M, L( o6 E" }0 u4 h$ m1 HUser-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。% `( _8 `% G! D& Q1 y
( g t" q1 K( Q5 {$ X0 y
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。
7 B9 U/ ^9 f$ o/ P
" E" E# w P$ [$ s- _: F7 D5 b2.限制IP5 Z( b' p. F1 }- e1 f H- A* i
# l8 j- C& ~; k: K- g7 j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。9 W1 v+ t! j4 H; w. n% s& R
$ u. @) V! o, R
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。
; C# p0 p# p! g: A/ ~# Z
8 f! _1 E8 U; C& A3. 添加验证码: A- K( I6 e+ y2 l" Z; L' h( x* \
7 P+ Y- q$ `' U
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。
8 z/ P$ W7 ~1 y0 ^
* i7 ?" m) J" [, G, D& w0 F) q; o
/ {6 o% Y r) Q R( m) r) W1 O: U. [% ]% x }
原文连接:http://www.szw86.com/thread-9831-1-1.html |
|