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
  d% q/ s0 W' Q/ d' |
4 R: V/ `% R. n  [2 k' [1 Z9 i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？

' g8 d4 L& ?7 j9 C; W& S' n一、分辨爬虫的善恶
- p; E5 @1 ]6 {
' V0 |. Z8 d# M; O; ^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 E! {0 Q6 C; u( r: J" _! \
二、如何防止网站被爬虫？

  }9 b+ d& x- _) Q: q/ F- v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。
8 d5 _3 P4 v2 Q: \
# x+ h5 P% [& V$ 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。

. X0 @; Z8 T( r8 S针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
3 k' d0 H9 \' p+ v
8 Z5 H7 V& z& U; a3 n; d4 Z  ?1.限制User-Agent字段

) E: h; T5 K9 O# ^6 w7 M0 kUser-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。
$ c; [6 O1 s/ ?- L+ d9 {
2 A0 D+ k9 B0 {  D# |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。

3 t2 r7 W9 p' d8 q+ ^2.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。
; U8 `  g, E7 r: n) `9 r4 f! ^
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。
! T' d1 C; D/ ]0 R
3. 添加验证码

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。

- n; u& a: K6 ~5 n. \; K
3 B, O& ~: Z. g6 q- a  \7 c$ L
原文连接：http://www.szw86.com/thread-9831-1-1.html