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' U2 r2 T5 ^1 U6 r1 a) r1 I6 d
; D6 |+ D) P% ^2 v7 k! @防止网站被爬虫抓取的方法有哪些
+ f, E8 e( `+ R! Q7 Y
8 s9 |3 t0 q: J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？
1 @, I# I# m7 k3 L! @% A0 u
一、分辨爬虫的善恶

: J" d5 a2 [4 C3 E, f/ x6 l2 I% S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。
# J( e, X; p% ]! p
4 t2 D6 K7 t# D1 J1 ]) g二、如何防止网站被爬虫？

8 S. ]" R! }# |8 A' S( B$ N' u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。

) p9 N7 ~! |7 A$ Z# x# D! U/ b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

+ r  t0 k% {5 L+ S5 k$ |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。
0 G) r. t+ X! W$ b% G
: K3 u# D  C# |) nUser-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。
: N  w. H. I/ d& f( _# p( G" J
/ e+ O" U$ c, K7 H: w: f$ @2.限制IP

$ ?" J- N3 k' K/ N1 V" k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。

# |: a+ X6 E, o" |. }0 A+ ]1 P3. 添加验证码
& A0 ?9 F) }' O8 {7 A# W: q$ ]
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。



5 @! _. v* }! m- M, X- j原文连接：http://www.szw86.com/thread-9831-1-1.html