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
* w/ ?% i, f. y# _1 p; ?9 n! d4 Z
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？
+ R, q+ F5 W% [3 W
一、分辨爬虫的善恶
) S; [1 Z1 g- s6 S4 u5 _* B% X
- w% w' l# v3 `. Y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 z6 H! _6 z& r% q
) K' ^/ c! ?( J/ _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。
, P! ]+ J* d6 U4 ]( W
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。

+ X5 J, {; d2 \# F% F( \针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
! l7 T; S# \5 [0 |7 D$ y
1.限制User-Agent字段
. X. i/ b* L: v- }3 B9 i$ I9 ]
7 A. T+ l* D2 b* o. k! R8 {2 dUser-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。

+ T* X% ]& J9 I. c2.限制IP
: ^+ B( I- @% S8 K$ B
' A. X" V8 E% c- V; b1 `' O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。

6 q$ o2 Y4 z7 C' Q1 @. D) M* u; P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。
/ w1 y- R6 ^% u/ r3 Q, G3 E- W- q
3. 添加验证码

" @4 ~2 E  T* E' J$ N3 R# c5 Y$ Z. l4 X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。
5 Y- f' F' Q) J3 H1 R- @! T  s


# w( M3 k3 G' ~8 T: @: A2 n& L原文连接：http://www.szw86.com/thread-9831-1-1.html