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

防止网站被爬虫抓取的方法有哪些
4 I9 }$ t5 o0 y# N
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. O
一、分辨爬虫的善恶

% 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
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。
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

+ ^# 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。

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IP

# 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。

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

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