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
& b* [/ ?2 m' C6 A; G9 R
# O& u4 X1 j* Y& Z# R! B防止网站被爬虫抓取的方法有哪些

% F% X. @5 |; }5 B" O1 B& ~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？
) |3 Y6 u, C7 A6 @: \- D8 P
2 x! Q0 ?5 X9 @, d' X# e一、分辨爬虫的善恶
" `6 d6 M! _  {7 D& p7 y# A1 k
6 J' Y/ Y1 z! i6 g0 f/ {" g! T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。

8 s1 d( i1 S+ D4 a1 {二、如何防止网站被爬虫？
0 j: Q1 t: _8 G% ]
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。
0 Z# y7 D7 T" E1 t- 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。
3 k/ {" r3 U4 Z- N4 G
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
  I. l/ s3 L0 G+ c( k3 r- |( a
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。
, C3 W$ m# I- j/ H# k# c% q- Q
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。
: n7 u/ ^" A$ ^% @7 {7 R
2.限制IP

* \- M1 v% y' U, q) _# N& f6 l0 h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。
5 I2 S- a1 B. ^/ W0 l4 ~! F
, \0 U9 f3 V. T% o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。
$ |+ X# e1 L3 {( {7 ?  Q+ `# O0 S
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。

( b$ j( s, c- K

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