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

7 L- y% p0 N- ]9 r' m" W/ 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？

6 R+ R" h- D& Z. [8 \8 P. T3 F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。
; I' k5 R% N5 V% F" H( e2 a6 J3 R
二、如何防止网站被爬虫？

! l; V: k; g, b( V* J7 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。
8 [" q7 i4 @6 ]% }. P) _3 ]8 N* 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。
# g+ e2 Q/ l$ b! ~$ J
) l5 o2 x/ G9 a8 s% u: I; n针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1 A- ?" `" b& p6 \& b2 r1.限制User-Agent字段
) z8 ]3 ?8 v6 J: f0 E
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。
2 t5 {8 W- N) t0 B: z
* A2 A+ D% E  g% eUser-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。
7 I* v$ S+ {" Z8 D
( Y, N" Y: E' M% d0 ~1 i2.限制IP

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。
" S' f8 U) g* T: W$ E% \& Z; G: y
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。
, n9 ]& L, Z. M, t) q
3. 添加验证码

- @; k2 g; B; t% S5 @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。
' c: ]1 r7 X$ Y) q) q# f& m2 z/ W$ W


/ i) y8 f/ ^- s# d原文连接：http://www.szw86.com/thread-9831-1-1.html