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
. p5 f) R& [' m, I/ {5 [. d) w% e
防止网站被爬虫抓取的方法有哪些

" s: I- N5 ~+ o  K  i! W! s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？

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。
) y$ {7 V# N: |0 `, h5 k
0 t+ P8 u1 ~7 P! z- k9 m二、如何防止网站被爬虫？

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。
( Q7 |2 n* y% R0 W" P0 w: l! v: m
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。
% q6 j# P) L: Z& Y) `" Y
8 J# X3 b+ E* Y+ B针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

0 i. W9 j6 C( v# n1.限制User-Agent字段
, I9 t7 U- }) d8 S6 @
* F9 n& r8 V0 ~- pUser-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。
, ~% U( p  A  L- K; }$ R
2.限制IP
' G4 X1 R8 d& j6 y& E$ z
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。

7 z  W+ M( F7 g5 Y3. 添加验证码
4 ^2 C4 [0 t) s8 ~
9 W8 C8 d% _7 Y" K, t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。

" Y) O$ ^9 r- L' E1 |

原文连接：http://www.szw86.com/thread-9831-1-1.html