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

3 b4 l( N" K# c防止网站被爬虫抓取的方法有哪些
) E! K, h  e3 V- G# R! v4 z. P
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？
8 |% F9 p% {$ m% r! Z
7 {# [2 F) ~$ t) b" J: g5 d一、分辨爬虫的善恶

$ y9 `2 S8 ]  j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。

0 ?) R0 f3 x! u' _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。
! F/ k/ p; z! W* p% {8 S
0 {1 o* m1 @! [9 h- p+ n- 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。

) G4 F9 R" z7 w( d( g' H" t; W针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

: z3 R0 ?! s$ M$ z0 g! r. ~1.限制User-Agent字段
6 K: p/ t! r9 G/ [6 c* G
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。
; @/ d7 t- D4 i( S5 b) W; f
2.限制IP
6 }% j1 }# S: e2 @1 F- p& J
  b3 a$ N5 K3 M, A2 L, ?  h, w& 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。

7 ?! i5 s4 ^6 B0 Q  m. M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。
2 G! O  D1 k6 [1 c5 e5 ]
3 W0 E; n: S8 B* P2 `3 W3. 添加验证码

! K( n2 d9 s% M7 g9 d& Y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。



' G& z: \. _6 |: n$ r. @0 E9 r8 p原文连接：http://www.szw86.com/thread-9831-1-1.html