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
% ~8 z0 D* N  R7 Q% G* F2 @
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？
" d  X2 x9 r: N/ Q
+ J* K8 L0 e9 b* Q一、分辨爬虫的善恶

6 y# M" M- J* {3 i+ e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？

: f  \% G5 k9 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。
  X6 E! p& Y+ W  v! ]+ W
7 ~" ~( c7 M- b* 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。
+ _" @5 ]  p; y" T( ~# K, V
% D; C4 j+ d7 _& R! |( L* T针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
( m) y4 I" C( }9 c) A! A
1.限制User-Agent字段
- j8 i' A/ j" C: U# ], }: a) m
5 T8 {, e$ J! ~/ wUser-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。
, I- ^1 w7 J/ Z& k7 K
! I2 [! H2 d( B* \8 t; J* fUser-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
4 y$ [- w& y9 e  G* f& @
6 S& [8 J7 \5 `  K2 z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。

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 N3 F. y& c+ v( a# g4 J8 Y3. 添加验证码
3 _0 }1 N0 U: v2 c7 K% m
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。

& L) ^2 L* T* {# L* f1 J
. |$ K6 V: q2 L7 E
原文连接：http://www.szw86.com/thread-9831-1-1.html