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
% K. x2 u8 f+ |) {) A6 I
! E5 }) x4 [! d8 r& B* J( j; e6 D防止网站被爬虫抓取的方法有哪些
/ f0 n7 c) ?  V! G" x
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？
  _$ z! o2 R5 i9 ?3 p, y' f4 I
一、分辨爬虫的善恶
; I, {& j1 ^) D1 e$ B! Y# v
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。
4 @. X+ Z0 D6 D6 {! l
二、如何防止网站被爬虫？
/ H) z' j' u* V( n4 m4 [
" f" M  b9 [6 S! k+ ]" h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" m& G3 U6 o: m. n/ [
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。
0 h8 p2 K* ^& ~6 j0 ?
: F* P. v/ H' o8 B9 t; d针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

- w/ W& k* h8 J& ?! A9 E1.限制User-Agent字段
# X$ X& ]3 S. K! D
; ?9 j/ P, ^9 C  FUser-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。
1 F0 S" L9 N9 y+ @  r6 r! R, C5 T
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。
7 a$ y4 N1 }: E5 _' g# u
2.限制IP

* F3 u" W/ j4 t5 y0 B5 O. l, d1 r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。
7 c: q0 a0 m% L3 O! w- L3 j+ {. y
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 d& e( F% O& D( d' F( K- F1 r
; I1 }) O, J/ r% X" B" z- X3. 添加验证码
. ~1 H; ~7 T+ Y# o3 ]
/ v1 N) o5 W5 f* B* R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 d+ b8 T+ F- K; d2 P/ y2 c

8 e* I* X! U+ V原文连接：http://www.szw86.com/thread-9831-1-1.html