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

, X! Y, \0 Y) B$ ]! g防止网站被爬虫抓取的方法有哪些
0 g/ M0 |# F: @1 v$ `
5 h) A, [# D' a. X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？
* r% _" G5 u; c0 N0 n4 g# R
一、分辨爬虫的善恶
9 G& V9 q( n2 K! H% e; F+ |! B8 m
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。

- Y1 B- a6 |2 U/ o2 E3 J( v, x6 O6 d; G二、如何防止网站被爬虫？

  D9 r5 F) y3 n  @0 }% h% r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。

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。
2 U6 |3 u0 ~: G2 Z8 _  U6 \
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
  Q9 V4 b! d; _8 \
; [* d9 B0 u. v* C: N# O* j1.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。

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。
/ `- y2 A3 _* U8 N$ S: j
6 z! J. Q3 M7 A& l& l$ |2.限制IP
; F' i3 v; D) Q' S$ o
* m2 |% T6 r4 m. x% ]) Q2 R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。

; f" T  A! C+ g/ }* j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。
0 v) s" I9 G+ j* b* g6 x
8 j& V% k4 a1 ]+ S9 t6 B3. 添加验证码
( a# S/ p* W* C9 l! T
! P$ D4 ^  `6 e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 l) A6 a. T7 M) T  J; W0 w

# c: r- K% O8 Y# F: F0 p7 t
& Y: K5 s  I8 C5 w+ p原文连接：http://www.szw86.com/thread-9831-1-1.html