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
! z1 P; i- @) @, W9 v( L5 F
防止网站被爬虫抓取的方法有哪些

5 b7 `  H8 s: G4 P& G8 f5 B. H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？

一、分辨爬虫的善恶
: V* Z' W/ l  V6 P3 B! H  Y7 e* h
) M% r/ f! r8 F! g4 N9 O3 ^5 g/ V; 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。

- z# z; m* B: N4 k( k二、如何防止网站被爬虫？

. `  d( s! p# c7 `4 q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。

1 I& K- y+ k1 K$ a# _, |. {+ p: f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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段
* J  g! v, U% l) j  u
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。
1 V! \- U2 p3 T& ^2 C  V2 V) t
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。
( t; x& M* ]* k' a" U; @$ y
2.限制IP

2 |) K& p; E* F7 z% 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。
$ G8 [( {: R3 k. |4 D6 a/ U6 k
3. 添加验证码
4 h: D0 M3 C4 {9 w* L3 O$ }0 z
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。
# u9 r* ^% T) A/ H, s
- {8 h( v3 N+ z) o/ F/ m% k( Y5 }

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