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
$ ^# i& C+ o2 M2 o  K4 K3 T
防止网站被爬虫抓取的方法有哪些
0 {/ S& F/ t& k; H' o6 D3 F, Z
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？

7 N7 B9 N# n. _, F( b! l4 R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。
% n$ T. ]9 i' g) `8 S
二、如何防止网站被爬虫？
/ }- P* B5 v* c0 C# |0 f8 M8 j, h
3 h- e! O. j8 x* L& f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。
, E( d; X. T( C/ g. O: }
4 F" y3 w6 d1 g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。
. M6 D# ^6 T$ U6 W9 F) N7 G' a
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
' Z- b  t  f* Y8 B5 h7 S
- l* L4 U  R  P) j$ f$ g( C+ N! c, N1.限制User-Agent字段
2 n: T7 p$ A  Q! ]
  r! {% }; I  R! E3 ^5 TUser-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。
9 Q( C/ N1 C. g$ x1 k
% F, @, L% ]4 qUser-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。

- B" ?5 @% M& M2 u2.限制IP

* y: A3 `% C7 H/ k( s: g! I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。
( E% }: T) |) u6 o3 [; N
# T/ t1 N- p0 h4 f0 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。
; a# Z/ H: n1 |" w/ n
3. 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。

0 u+ C& q2 i" P$ R% W8 u

- q4 p' J. {6 G8 U  x# O原文连接：http://www.szw86.com/thread-9831-1-1.html