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
& `" z; m: N. ^8 R" m8 Z
* L* M& m( P3 p防止网站被爬虫抓取的方法有哪些
8 _! e7 \) `5 A0 n/ ]
" h+ |4 E4 k5 B- L0 c8 _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？
& U9 P: @+ b) q/ J- ^) @1 f* S
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。
8 T8 C' Q6 _6 Y7 b* T0 f. ]
; t, ?% c5 c3 n' c& v二、如何防止网站被爬虫？
0 i) z' [+ g( _0 m
1 |8 w3 h) N1 g# A9 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。
. `+ p! T4 k5 K. L" \1 B! J% `/ J, h
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 U2 m  Z( w# {! N* h
5 ^7 ?# m" S9 n) j针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

2 P. u( Q- l6 n. g2 n1.限制User-Agent字段

  p2 [" k4 F4 B" K% r, ~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。
+ a; G3 b' k+ _' O: I
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。
0 S# v) W% l7 _
2.限制IP

; a8 s# B6 _" F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 r$ h) ^7 |. ]( B: K
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。
2 b  U" w! k/ {+ y9 T
' t1 x4 j* d; @. B: a. C4 _3. 添加验证码

' [+ w* W, X" f1 \( q" t9 y' \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。


! D7 {* Q9 o# l5 r! {6 K
原文连接：http://www.szw86.com/thread-9831-1-1.html