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( @9 [% W$ X+ p9 N# u
防止网站被爬虫抓取的方法有哪些
( q3 V$ c" @5 e7 ^1 U; y. A1 o
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？
% k& G5 Z" Y' N9 X3 H
9 Q* [$ q8 B' q3 I一、分辨爬虫的善恶
8 }8 Y; U/ Y! [# f4 J4 S
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。
$ g1 }. W) t& P4 d( _6 @' Z
6 X/ ?8 r# I8 p二、如何防止网站被爬虫？
; V% w  I# n* g& [
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 X' z9 n0 M5 \% C+ [
7 h2 t; I2 f+ X6 u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。
. g) E& q0 w  _
1 V. q; Q: j0 d5 [7 E3 ?9 G针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
7 l  M) b# K% ?
1.限制User-Agent字段
- @5 K  {; ^- m  B$ X
; Y6 X, |# X5 d0 e" k; NUser-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。

/ W, L0 Q, s. o) `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。

# K. {" u) [2 D5 q; O( |+ h2.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。
- |  d, y( c5 v
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。
5 x5 m/ ?; X4 z9 b2 R3 A
3. 添加验证码
' y: A, v1 _4 `: I$ P
9 M; G$ l' L4 p, M, s* \* m6 Z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。
2 F* M. H; P4 b
! E) g* h2 x$ O

1 J: o7 t; b& p! |0 S原文连接：http://www.szw86.com/thread-9831-1-1.html