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
% n3 x% r4 P- k
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？

- p8 \$ G$ `- _* c" @: n一、分辨爬虫的善恶
/ l  i7 i' o- n4 T' l8 N
7 n: [3 o+ X6 u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。
2 ~( x: I/ d  |6 v
! _) P2 Y7 `+ W* F* D. _二、如何防止网站被爬虫？
7 s/ l2 M, [# R7 e
& e3 L: \5 j# n" ^9 {6 [9 E. O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 Y* \2 [) v0 [
, z4 G, N4 h( @" T0 K' d7 M5 P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。
* K/ K" g6 A5 m1 q# V5 \/ E4 G
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
8 g& H/ ?5 d* G1 d8 q- E0 a
1.限制User-Agent字段
/ S$ ]7 S& n) J9 L
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。
& T: C% }) _  e( K
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。

* g' ^6 _2 Z9 B! C2.限制IP

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。

/ l& X. n) E, O- C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

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。
+ n5 ~4 h; c/ h! d2 g: P( a
- h! v  Y: d" I; c

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