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

' M: H& [& j6 m# B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？

) A: ~' s, G, T; @& ~" }; X$ Z% K6 G一、分辨爬虫的善恶
; G' O$ D" t; s+ P. q
  a! ]9 V* ^( N1 i/ y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。

7 G, z# C3 l9 ~3 y7 O二、如何防止网站被爬虫？
, N' Q- W1 |' Y  s& W6 V
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。

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。
; D  @0 I% a# K: R6 j6 c
$ R. g4 P8 k1 u针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
! y- l% G. ]7 Q
/ t( m  y; |1 y1 d7 M1.限制User-Agent字段

( H3 f, A8 ]$ C) ]1 {; fUser-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。

, y- V1 M- }$ a; P- s, m  jUser-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。

! u. P) M$ o/ g3 z, ]2.限制IP

* v' R; i. _6 R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。
+ K* L1 E) |% K$ h5 S' v2 T
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。
4 H' Y/ h$ Y- v: X& R
* _/ |% ~- F8 \' [, s6 s/ V8 P3. 添加验证码

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。
6 b) @: P. ~! _$ r+ w# S. A
8 J) Z$ G7 m8 K" J$ U# v4 s
' n: }! C' |: O6 n
原文连接：http://www.szw86.com/thread-9831-1-1.html