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
5 `2 q% T7 |6 W% ~
* y" c0 \+ o% F$ h9 }+ }防止网站被爬虫抓取的方法有哪些
7 ?7 t' r6 K' C& u
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？

6 m6 n# |5 A! e$ p  v一、分辨爬虫的善恶
3 x) t- d* r0 \/ X% W8 {
2 u, q4 E9 v* e& ^5 L, `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。
3 `! R$ ?  i+ I8 K8 u) q8 O
# j4 R6 j8 F! O* |$ d+ ]" h$ q  \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。
) ^. ^% H+ {8 b# R
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。
7 ^- Q1 D8 S5 V8 ?0 j+ Y% h: M! j
0 C+ d' y; K0 E. e! j针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
6 l7 t' Y" f% E0 j" `" d( @
/ w: I& E' y' s% i1.限制User-Agent字段

9 V1 ?0 W$ b5 ^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。

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。
, c& q; {3 b! |3 ]; y+ C% t
+ \8 w2 r( f% i# l, 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。
4 C. |; p8 u+ b5 Z5 b$ l2 R
3. 添加验证码
9 Y# ?# R% b1 F1 y" o7 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。

& R% N' r0 S* G% j* P) @

6 [3 T+ H( Y9 c  d2 c原文连接：http://www.szw86.com/thread-9831-1-1.html