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
* N% c7 b  `* X6 |; X/ C* z
防止网站被爬虫抓取的方法有哪些
  g: p) X! S7 c5 q5 I& U, \
" y% Y- I& L. F0 T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
; Y" |' m* G3 ?+ I- }0 C- z2 Z; q
" j8 ^) N- D/ c5 G; A0 C- \4 [8 ~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。
% `7 f+ N' D+ R* O
* C( _; c# ^7 ^- a' o6 Q二、如何防止网站被爬虫？
) M; t! P; I0 ^: @- g- s
" e; {5 w! Z# Q) T) {* Q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。

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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段
  v8 s2 a7 G$ U. F" x5 K) p
6 L% X+ b0 P' c" [! BUser-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。
8 w1 _4 U3 H- X9 z# F
; R, m# w) S2 [) J: J2.限制IP
; K0 Q; o& Q/ j% Q" C5 \
: M' Z' P- R0 Z6 F6 f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。
  M; g0 l( `; X
3. 添加验证码
8 K* p3 `7 ~- w4 u9 i: T8 z
. U5 |$ J& 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。
& O6 V; Y2 v  v8 Z& G. l

* V; \% x! w/ Q$ g2 j' G  |, s) T
' w2 L* Q! R& @原文连接：http://www.szw86.com/thread-9831-1-1.html