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
: G* e" p/ S/ W) z- L" x& L
防止网站被爬虫抓取的方法有哪些
* d! k2 [" I, x( ]$ C" u/ @) @' w
6 W6 V# ]# e8 W4 Y, 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？
8 H- H! E8 Z4 @4 T( G
一、分辨爬虫的善恶

- ]( x. T% h% k- e& y8 s" 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。
0 O0 ~+ p. j( u- Q
9 K" w6 f9 x% D* J! U1 q二、如何防止网站被爬虫？

# u* x  \! f$ g; }" O4 e) V/ s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。

1 }& T' \: T& @. w) p, |  D  P( p5 \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。
. |. x) j; V$ F& P4 h  w/ k# s' ]
5 ~* L' `2 T* L针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
+ u) P: `! `1 d$ w% ]* o) h9 z
' v2 D7 i9 P3 }6 n' ^1.限制User-Agent字段
  L/ q( @( j6 I5 Y6 e' W% B- E! ^" j
% ~. l0 o8 z3 N+ @; CUser-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。

* h( q! v% y- r3 j* s" Q; F2.限制IP
; o! G9 B& y; d3 C# b2 x# g* c0 N
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。

: E9 I/ m* ], w5 x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。

' H& A* e. X3 l  @. w1 b3. 添加验证码
; M3 G7 C% {3 m& b
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。
: a, a/ G. ]1 i) R' {  V! E5 N


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