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
" `# Q6 k7 x9 I0 P) K1 V
/ {* a3 m: y) Q: W) P! U' V3 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？
0 [$ `) ~* e! H1 `) z# m
一、分辨爬虫的善恶

' b/ X9 [5 G  j: f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。
- A8 L8 V% c$ D
& i' I- ~" d# K3 ^( Z二、如何防止网站被爬虫？

  P) ?# K6 G. l! g- c* 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。
7 l6 p) G0 J0 N/ o; o
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。
8 X/ B  `' S4 @! J; t
: p( q# k! H; s( l0 X针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段
& F0 @. m9 r  ?; R# I
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。

, o) a3 @9 H+ o" R3 M' ]+ c# m8 [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。

. R/ T9 O# P% t. Z- e2.限制IP

+ h& J% \$ R! R$ F& H$ d# e& K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。

( o& F: U% }6 `" R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。

, x' i4 }  z* p# u4 h3. 添加验证码
9 j# b- \/ X2 }
  [1 h; j/ [0 J, X+ I4 M1 l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。
: Y5 A3 a8 ~1 m" l9 o) H! m* h

: ?5 Z6 D$ N) h! u
: Z9 i9 i( b, b原文连接：http://www.szw86.com/thread-9831-1-1.html