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

- g5 k) }) I( A/ ]% _& G防止网站被爬虫抓取的方法有哪些
- I+ e  I- Q9 A% E4 B9 n# s
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？
0 ^! z, a; G) ^: |. S. n6 z
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。

. ]  \2 P4 C" T  X/ g) T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。
& F/ N* a' _/ [4 q8 r# a6 ^# y; X
2 {! g4 y* {+ l) w8 u5 l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。

, W5 E+ U/ T& Q7 Q8 M5 c, G针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

% K8 I; E0 T  u8 Y: `+ w1.限制User-Agent字段

! Z5 ?# |; X; M+ j+ `8 w. w9 ZUser-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。

# \6 D2 f  R5 Y" |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。

2.限制IP
% x! b7 c/ G- I( Y! S7 ^
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。
! R' J1 ^& g8 m- j7 C
6 G4 }' ?: v5 ?0 D- 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。

2 `' K  l- m' j6 u: x% J: F3. 添加验证码

2 g2 h/ V4 J8 N, w) Q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。



1 N, i" a# {# Q$ n+ r7 V& x, D原文连接：http://www.szw86.com/thread-9831-1-1.html