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
. K& M' X; H8 {. `5 e
) s, o+ K! U0 }! b6 Y' e防止网站被爬虫抓取的方法有哪些
9 F, R8 `. N& I: w+ X0 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？

3 l. D  |9 L# V) Z6 {, u7 A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。
) h! R4 k8 M; W% `" c
# H. `$ |" y" z: }+ Z" a/ L二、如何防止网站被爬虫？
% s! A. ~/ D% I2 ]% y/ j
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。
4 J9 x4 S& 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。
' Q% o' g, U8 ^7 a$ h' l" c
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
+ I& q/ L" I* h1 ~6 B& ?
1 f8 B# k6 K$ O* W3 _+ y( v& `1.限制User-Agent字段
1 e% t3 ]2 K/ @3 ]# G' P( f) a
9 K: Q5 C( U4 ?% V2 rUser-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。

: q3 U8 J0 D9 t9 B) s$ wUser-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。
/ S$ p* q8 h$ j& {! W9 g% z$ _( ~, Q2 b1 Y
5 ~7 ~8 ~  G( m, A+ [2.限制IP
$ E' f. j; L; h. d9 R1 T) _7 E
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。
5 B# Z2 q0 s! c0 Y
3. 添加验证码
6 z, Z: X& C5 l, X
: ]1 m7 w4 U+ P: F) p5 x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。



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