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
) u: W/ |; Q1 C; l% A1 A
7 e; v" K" R& c$ [, J! ~防止网站被爬虫抓取的方法有哪些

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？
% F" W5 N  u+ A# d, ?- [
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？
6 N. q1 ?5 q" S4 _& B2 [
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。
/ K/ b6 \/ n  l
9 P, c" b6 m- z! ^! e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。
1 g4 Y: I7 r2 h
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
7 ]' ~. ^7 v# R( ~
! U# L8 J& q5 ~2 F; B" V+ n1.限制User-Agent字段
' m0 c; y2 I- A5 r8 j
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。

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! T$ {) N6 w# Y. U# ^
2.限制IP
$ t9 k# _" Q/ M7 q# p5 X# r
* j8 h) C  z6 k6 s4 J2 A( }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. D7 B: X3 F6 a9 z  S9 T( f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。
6 i" k: d( E# f- V
. O: P7 T7 E8 o3. 添加验证码

* c, H! _1 {, A3 Q5 }* S( X) \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 ^8 U1 o9 Q7 E

4 B4 \: G- Q0 t/ q  d" r' e
  t) w2 k' C$ \1 e原文连接：http://www.szw86.com/thread-9831-1-1.html