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
, I6 p4 K% |, n- j: S
防止网站被爬虫抓取的方法有哪些

2 C, v$ K: ^1 \; o2 I, p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？
' f4 C  [% h3 s4 _) }4 C4 n$ _
一、分辨爬虫的善恶
$ G) D: W1 S; j- p  j
% g5 Y( T* Q' Z; U1 E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。
0 P. m) w+ {: J
$ H; |- i8 o# p. [  U; M二、如何防止网站被爬虫？

. }1 B2 k" t  R# e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。

, F* [9 `. w3 J0 K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。
3 m* y% u) T% R; B: s+ e
: o, k4 U; t+ F针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

. H0 L4 [: N9 ~5 ]; w/ q/ [1.限制User-Agent字段
8 M) S) H4 S" T* z6 k; a
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。
: e4 s! `9 J0 o1 [9 T: t
4 }; ?* b- t/ s/ W* K; w! cUser-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( k' s, ^; F+ r* \: n
2.限制IP
0 ~# ~- g, x, m( C" D9 S: |
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 e( Y7 [4 ?# t
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。

3. 添加验证码

8 g  e$ G2 P$ Y: C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。
- i, u  D/ X7 p! F+ ]7 ?

  u+ q, f7 }, a5 r; x) Q" r8 ^
+ X' U  I% _) w: p. d, m  h- O原文连接：http://www.szw86.com/thread-9831-1-1.html