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
4 x" j: G( K8 }$ p# K0 [; l2 D5 q- ^
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？
4 b( X/ S' {) t( {3 R% q- _
一、分辨爬虫的善恶
5 E5 m) ?5 Y- h  E4 A7 I: z+ c, D" N7 e
4 w! w: }- E- K, i/ X/ J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。
/ J" a' F4 Y! }' F
二、如何防止网站被爬虫？
2 }7 F; R0 [9 ^. X. D" G. Y
) S. u/ X3 R, w3 G# r1 }  {. r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。
4 r7 _/ U4 _0 [# i! ^% n7 [
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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
6 V" a) ^; e( N1 w" Y
1.限制User-Agent字段
. |. I9 O( U% y
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。
1 O4 f* f0 Y8 l5 x3 [
0 C+ e7 a4 Q. Z+ {3 }6 c7 IUser-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。
) N7 J! o% T. u: N9 P/ Z* u
2.限制IP
8 G0 {/ I1 A8 a3 s# h8 L$ o$ R
/ N. C# m; M) r2 Y# P, o! j9 A6 k  Z# ~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。
2 {2 y* ^3 Z/ u8 O' {# M7 Z) f
- j- x( D9 _" H# l2 `3. 添加验证码
* `) U1 D* j- @! F1 J! L' I7 }
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。
- l% Y! w/ _& e0 J1 c6 f5 _4 W


- G9 p6 V) a4 @+ B# S3 g' J原文连接：http://www.szw86.com/thread-9831-1-1.html