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

! u( _- f9 a$ q) D1 y6 y1 \" n% Y防止网站被爬虫抓取的方法有哪些
4 F' x/ K# J: m+ T3 p. i1 w, M+ U- T
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？

一、分辨爬虫的善恶

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。
- O3 e: p$ L6 @9 q
6 Y0 c# q6 K% z7 o二、如何防止网站被爬虫？
$ Y/ c5 j$ x! o: [( X2 _
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。
# ~( f3 y1 F& O5 `/ M- {  D: k: G
2 E% N8 b2 T9 X9 h& i5 z7 Y7 ]) M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。

1.限制User-Agent字段

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。
! H7 I3 H6 M3 d. y( s
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。
* n- N; u, g9 {8 g& P3 u5 ?
; Z' Y( a! B3 U2 h& N; N  B2.限制IP
& d; `9 K: A: ]
8 j3 J4 M' W3 g/ o+ O! @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。

& a/ g$ v- B: Z( ^% @. S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
( U8 E$ q6 P  ~% ~6 \
% O) U6 [! n# f3 x( Y+ 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。

' N& a% Y' ?) ~2 u+ {; c
( b# {* \" h! A# p6 u1 ?, A' e
' J1 P5 g' o4 I3 G) h  x( h- j4 F原文连接：http://www.szw86.com/thread-9831-1-1.html