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

防止网站被爬虫抓取的方法有哪些

6 a7 G3 W. @- j* o; w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？
, w: R% q1 O. N; z- [3 I7 M% k6 ~
一、分辨爬虫的善恶
) w* l3 D: Y- y$ g* }
! H# }' X8 G# `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 @% k; W$ B. s
1 m4 F/ U, h2 D$ B2 d: n5 s2 @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。
& L% O; K6 g- e" ^9 K
! T) @8 b4 z. Y- O* C, J$ O: t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。

9 W6 E0 a) h) }针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

9 ]+ h1 B5 Y# h. Y1.限制User-Agent字段

4 \/ S# R8 A% w- AUser-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。

2.限制IP

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。
) _. l# ~  e" p; o
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。
: }3 O5 R2 q% B) S; C) ^" e
3. 添加验证码

5 @; |  b3 U  p) l  U1 ]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。

) R- l4 ]: m; n. e7 [
* q0 f+ I0 K8 p, V8 ~" b9 s
2 |; t$ c% Z; a7 b( @( b原文连接：http://www.szw86.com/thread-9831-1-1.html