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
9 p0 U# M& V/ v0 ?6 e* ?
防止网站被爬虫抓取的方法有哪些

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？
( C1 C) O9 k% K6 V# y
6 c/ h9 Q" r7 n) U# T9 B& Q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。

二、如何防止网站被爬虫？

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。

, B" G7 U7 `+ a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。
& W+ P5 }4 s6 _
1.限制User-Agent字段
& t* v: G- n9 ~% z$ B6 E) x
) y% f. N$ u' m5 U! ~# O1 |1 |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 R3 y& z% y8 w$ [4 \
% Y; y& }( C5 g6 `- f5 U2 RUser-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。

2.限制IP
0 J& ^$ f0 l6 ^5 u8 I9 Q. k+ o
3 w3 t# N$ S+ ^, r  f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。
& y" E+ [2 C. N0 }* {3 T
4 s( R/ M/ c& @; L" R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。
. D! y+ j% k7 F+ k
8 c" S# ~+ h# c' Y/ B3. 添加验证码
6 D" J! o* N' ~# l! Y. M% f
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。

6 O4 ^4 K0 d, @; i6 T0 F
2 C  z) v. Y  r* q2 z3 H
原文连接：http://www.szw86.com/thread-9831-1-1.html