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
1 I6 X; ~9 D8 Q( N5 d" K6 Y
防止网站被爬虫抓取的方法有哪些

4 w1 p7 l3 i$ j/ P4 F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？
* @' O+ V( F! \9 _8 r
" M3 D( U  ?! o  \& y一、分辨爬虫的善恶

; |; o$ d6 r% g' D+ F+ v- b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。
2 J* b* O2 h) Q! G' N
3 N1 r+ y7 z# c5 |2 M二、如何防止网站被爬虫？
3 t* d/ T) e1 w- B$ P
8 V! d- j! A3 N9 p7 s$ Z. e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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

9 I2 t6 A4 }2 M/ K5 Z1.限制User-Agent字段

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。

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。
* Z0 Y( }5 z6 ]7 V
- }+ `4 ]& I7 o  t+ k0 O& ]2.限制IP
& E% B0 y/ O9 \' t- u& g$ f
* W8 v5 x1 ?2 v+ C8 k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。
2 J; A9 t# M% `9 P0 i, l9 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。

& y3 o% f  ~6 e% e. f6 G" F( c$ f7 Z) v3. 添加验证码
/ k2 ^; Q; {- S! S  `! O, [9 D0 z
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。
) M( Y8 p5 S" G1 Q) K
2 F4 S1 x3 c) o2 z7 q7 ~3 ^

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