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
2 u$ P$ Y1 N8 A! p/ g4 ~
* _5 a( z9 ]1 W% k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？
( T- W" h- I8 I% U
4 p. `1 V4 G# y. g一、分辨爬虫的善恶

, O) v* x% N7 f( _( E5 i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。

  q# T5 v8 I/ c- O' y二、如何防止网站被爬虫？

4 f2 J! @$ p6 z6 q9 x4 i0 S6 c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。

) a  R* u. J1 u$ v针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

" l3 p& C5 ]+ K3 W1.限制User-Agent字段
9 g# ~) e) Z1 |9 o9 z
: _- b/ k% ^$ I1 m* C; mUser-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。
0 z" Q( N/ ?) ^3 T- k7 ^: [
, r' t1 m7 p) G8 {0 f* i* HUser-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 \) i+ F5 g: [- Y% o- w. G, ^
: }- l) J" a9 R9 x6 K1 C# ^2.限制IP
. w. m+ ?9 ?8 A( j( ~6 r& S+ I
2 H/ \; J! r% C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。

3. 添加验证码
. N, s% j0 a: I' V+ Z* [
6 J9 |. C" D# t/ W1 X5 k0 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。

) C! e, a  d4 E2 S1 v6 e2 h1 h: ?

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