|
防止网站被爬虫抓取的方法有哪些
9 V' n' x ]* q$ U% H
3 e& e6 I# u& r# f3 P8 d防止网站被爬虫抓取的方法有哪些
0 o/ n9 P$ {, J! \6 Z3 K" h0 t1 K$ S7 e7 h) e3 m9 a8 @
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 J' T; b2 d+ C D! f3 p
u _, p- O8 J- K
一、分辨爬虫的善恶, X# r. O- z8 ?( E+ ?
. ~- @2 J/ M& ^
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。
- A# y3 J2 q t9 E8 a
+ `6 W' f6 h( Q二、如何防止网站被爬虫?
4 D! e6 A+ k* d( S7 b0 i
9 i1 v9 X1 Y7 e& }. U) W$ b5 E& s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。4 e7 r5 c6 K* r% S& L7 _( }" C) L
" i9 K5 ~8 N0 N( j4 A* J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。- d1 @! H6 J& M
* ^8 t# T7 d0 W" x' U: U) E
针对恶意爬虫,我们可以采取以下措施来识别和阻断它。
+ d; T/ |$ C* k( `6 F4 @( c& {" ?0 ]( `2 L( y
1.限制User-Agent字段0 f: J# u, `9 X8 L! `
8 C1 P; N) w$ F: ^
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。3 A7 ?& l5 a6 J8 T
4 U' x4 r. `% Z% n: a0 hUser-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。6 h1 [7 P: }1 [" V4 E3 Q' c
8 E% \$ u" l/ X2.限制IP
* Y8 L& n: q% t/ t/ I3 n
! U D+ i3 q6 a7 S/ b2 H( m% E8 U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。2 {: F4 \4 Q* |: G- }9 l
: W% @3 c1 o, g/ \
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。. c* ~& e& M/ U Y& {2 d. x
9 p( }- U. S9 S' ?' p
3. 添加验证码( y/ ~8 E* E/ ?& q n
" s* R, f/ U7 g
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。
7 C- Q8 q1 ]4 y$ r' P% }8 R9 g0 I) ?% |/ e9 V7 O" E- i% J
. m, r% {6 C7 i, H
; e5 z: K* y. ~$ U
原文连接:http://www.szw86.com/thread-9831-1-1.html |
|