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

% B# x; H; O- a7 u. c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？
# h* n- N9 Z  F5 w; j5 `
一、分辨爬虫的善恶

, t( ^7 R* R3 ?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。
% e$ n8 w6 K- z9 z* G
二、如何防止网站被爬虫？
5 P/ Q2 A' V2 F* X# f3 G
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。
' u7 D6 ]" i1 Z6 U' B9 j! A
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。
# m: N7 L; T, C' |
5 H- M+ s( D& [! ]4 b针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

5 }, ]/ Y# U! Q6 q& c7 c! Y. s1.限制User-Agent字段
9 M8 d9 S  X7 k  `9 d* t" F
; q2 }7 r- y" E. w- v9 bUser-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。

0 X8 V2 i0 e/ [$ P2 ?; n2.限制IP

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。

- Y( Q4 A# _6 z/ N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
3 U. n' D; V! v9 x3 s8 U
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。
! W# s/ J& J, w: [" s2 Y+ G

0 M! ^# E9 g4 K# N" M( X5 L
原文连接：http://www.szw86.com/thread-9831-1-1.html