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
0 d; [2 ]. Z% z* ?% E/ ?
7 C- E. \/ O' ?+ H+ O2 B5 X8 p防止网站被爬虫抓取的方法有哪些
# w$ k  X7 y0 g/ M: j- N
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？
. f* @" d; b, O
  a9 U  }  h& s& d一、分辨爬虫的善恶
6 t: A" j5 e8 z- ]" ~' S& K5 x2 ]
! b. E. }* `0 S, D  ~& 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？

+ e" R8 T9 {2 w; y* {. Z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。

' ^5 U/ G1 H1 |- M! J; S4 w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。
- I# G2 S3 F1 `1 E; q
( F0 g; M9 N) O  i6 |8 r针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
' q3 H0 B1 \' t. I9 [
- Q* N% {4 |$ v6 j7 t4 d+ O1.限制User-Agent字段

( }9 p1 _0 B4 XUser-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。

* h3 @: O- ]; R0 q& j9 ~' i' jUser-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。

1 W4 |5 v; P  z) X4 c  b2.限制IP
" B: q1 A9 B: H) B0 b$ n* E3 `
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。
$ }' T+ B: @# N
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
5 g$ s9 b- t  X, N( ]- 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。
9 N+ n2 N5 L  F+ m

' g8 Y( }: R  Y: E
原文连接：http://www.szw86.com/thread-9831-1-1.html