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
+ W$ T2 r$ P5 T$ w
& M) E9 D5 L, Z6 n# u防止网站被爬虫抓取的方法有哪些

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

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。
' x: `# G+ `; j" t: ^) @
" l" C# X; z9 \+ C; e8 u0 I) z二、如何防止网站被爬虫？
* C+ K& Z* p7 N$ h) g4 R% \
! f6 t, f3 X: A; b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。
. x) s4 L; y8 ]4 y; v4 e
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

/ ^6 m. t5 N2 G7 {/ |4 s8 C+ `1.限制User-Agent字段

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。
$ G  r, D8 I% J, p$ m* T4 s- O* x
6 ]6 S# l2 L0 ~* u9 o  FUser-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。

) }' n& {6 I0 ^- @$ u2.限制IP

% e" R0 Z/ Q5 J, h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. a4 L( k: P, A% `# T- o: u
# g1 V2 }$ M7 l1 \8 U; R3 |" ]+ 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。

' Z: k4 ]8 p( X4 r3. 添加验证码
2 y2 |' B4 _$ S8 [+ t2 R
+ s: h1 I1 P7 }8 B- r6 k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。

4 _( T( {; v+ W3 y
+ B! T  e' N* u' F( a. m
4 t9 d/ P. s& X3 C- K% U: _原文连接：http://www.szw86.com/thread-9831-1-1.html