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

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？
6 C+ x2 b1 T1 e4 h
一、分辨爬虫的善恶
) D: ~0 y# d: {1 X: s
; \7 R: k; F2 i7 j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。

. \1 n6 R/ v0 R( P9 g7 @二、如何防止网站被爬虫？

* n3 d% b: a& a8 O3 @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。
% W! ~2 c: ?  A- v- l6 L5 ~8 |
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。
4 n' S' n" a. v. P0 U  Z" M6 g
- Q; r8 O. C7 S  L# s针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

  S' M3 j1 k2 ]. k/ N5 B1.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。
/ x) T& v3 r# f- B/ r
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。

& s4 m' Q- Z* u4 |0 J9 u7 X& ?. N2.限制IP
9 D6 d3 ^8 \6 C3 A* K5 L4 l
/ B# P/ A6 B( J% U0 Q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。
; {+ o0 @; R4 [/ W7 y1 ?3 q% A
: G$ g) y, ]2 d4 Y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。
* ]- L# u2 ~7 |6 b$ s7 H0 G
3. 添加验证码
7 P+ C" P6 u% d1 K
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。
% a/ y3 \$ @: i! S4 d

& k& S+ _2 p: N( S# N3 c
& {2 g( q- ?; [& F6 d  a9 Q! o& ]原文连接：http://www.szw86.com/thread-9831-1-1.html