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
8 Z$ @0 Q5 V& r- b1 H+ n* I
防止网站被爬虫抓取的方法有哪些
' A6 D6 |1 U# b& G' U. I' 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？
+ P  x) Z/ O$ X# ^  N! 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。

二、如何防止网站被爬虫？
9 v$ K1 v( C: g# G$ f2 x
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。
( g5 }" Z- U  D
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。
3 ?, n) w8 h& G7 E
# \$ B4 }" N. C3 p6 K& ]针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

- n- o. W+ b$ K* |1.限制User-Agent字段
1 P4 N4 Y. m9 j% i( h5 v
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。
3 Z3 Y9 @& J6 S3 `# n. @* E
" F. ^, Q2 @2 Y" j& z+ h' y/ 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。

8 L% n2 z* F, ^& O4 j) U2.限制IP

! L( k) I! J6 f0 |  G5 i! d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。
# v$ K! V* }; O( K6 i0 _( v
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。

* e, z* l, z( w8 M3. 添加验证码
) l3 C7 j  T; y: v- ?  R
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。

) i9 e/ X+ X1 Q* O
8 q' Y* D' M7 y1 h- z' j0 j: s, b
原文连接：http://www.szw86.com/thread-9831-1-1.html