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
' E+ X# I! p, k' d( @$ s, W
# n; d) Y7 P+ E7 o7 A- l防止网站被爬虫抓取的方法有哪些
, X% a! q1 Q7 R5 T8 ^/ A
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？
5 @- P% o6 f. [! d  z# K
: ?3 A1 z3 ^' f+ n) H3 ^: D一、分辨爬虫的善恶

% ]" g. [; y4 R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。

二、如何防止网站被爬虫？
8 ~" e, ]8 v& }; Q
$ Y3 `2 g" A9 I) 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。
& }+ J5 _: k6 x9 U
. Y( `2 k  [2 I' D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。
0 o2 k3 j# T4 i
6 Z, o$ j- j& y% O5 a4 O针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段
% r' y3 x7 L% v! J5 |" g6 [- D# h9 U
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。
& J* P3 q3 T7 s. J. G0 a
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。
; y  h- O; O/ q* K
2.限制IP

- N' e  C/ r  v  t: w5 O# i& 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。
+ N; ^* @4 x( e8 j  I! N  c$ C
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。

$ v0 P! G* b3 A: b1 y! l3. 添加验证码
+ _# E3 Z+ d" u, A4 a) N
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。
, d9 p& Q+ F- g5 e: ^7 a' p" h

8 `1 B1 U" B3 D3 {  \7 |  C
原文连接：http://www.szw86.com/thread-9831-1-1.html