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
. }2 s% f: X  [& ~+ d; U5 N
" K# J$ @4 c7 c! F, l1 w( \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？
2 d( c- l$ i9 C: S; r! E  C
, j0 _0 A% o  m; l7 O一、分辨爬虫的善恶
0 y) }' r2 V; A: @7 e1 \
! A2 b3 e; m: b' Z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。
; C3 G8 j0 |2 [( ^
) ^4 U6 [$ X3 O3 G( O5 A二、如何防止网站被爬虫？
6 O% W9 l% ?9 {/ W8 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。

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。
4 K1 E7 X7 D. _4 D( G( s$ w
/ ~0 X- s/ j5 F- N/ k0 B7 H1.限制User-Agent字段

4 j. F9 G5 u1 ~+ x5 NUser-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。
3 Z: H5 @- ~$ w9 B# F' Y; O3 ]
4 h' {# {: u7 ^' E, C$ ~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 X3 Y- F. [! c: S2.限制IP
5 u# Q7 G4 V2 w$ L- l4 Z' l/ ^: \
- ^' t1 L  T; @. x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
7 i. E0 c. ^1 s, F4 G0 k0 Z+ u" T
4 A5 ^3 z! ~$ d# g4 y. D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。



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