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 Z7 E& }% E  z6 G5 [, F5 l0 A6 Y
, r2 V& o4 Q3 F* \- |防止网站被爬虫抓取的方法有哪些
. m. x! A4 t, Y8 F3 e0 [
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？
; b% P, ?% n/ E9 N3 @2 K
, l3 F3 s6 w4 z/ a! Y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。

  l+ w& Q: a, E# P0 m0 i二、如何防止网站被爬虫？

6 D3 i0 L0 t$ S1 ^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 Q  A& i3 H: r/ n- G* q
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
. f2 C4 o) ]2 u3 N& \
4 v0 [. a( b9 ^. n. s5 f1.限制User-Agent字段
  g) a( l7 _2 u& p
/ r, C+ l0 y! i9 uUser-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。
& ^# |4 g6 [/ @: t, Q: v, g; y
2.限制IP
" e2 ~% K* P- U6 b2 ^
1 |2 Y) v3 p4 C4 x( ?2 n" B# A$ T9 e( s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。
3 i! o: i2 i% {
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。

3. 添加验证码
/ f, [4 n% m0 d
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。


, x. v6 H2 H. {- h8 M, I
* G$ E, W& S" w2 r9 N, c原文连接：http://www.szw86.com/thread-9831-1-1.html