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
; ?6 }5 I" y  x) m0 i
+ d3 ]: t; [, j# M0 J2 X  q7 c" A防止网站被爬虫抓取的方法有哪些

, m7 |0 E2 o$ I; N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？

( Z9 B3 R2 h# ?# r0 v! m! W一、分辨爬虫的善恶

6 U& w: _1 L0 G/ j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。
9 P1 g; _& `/ g0 C
8 c. t: n, V6 _( r" Q8 }* g# x二、如何防止网站被爬虫？

4 j; D/ N4 R" E* u8 D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。
; _& r9 c" N8 u, j( k' h+ L, Q
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

8 Q( z5 \  h# x0 x1.限制User-Agent字段

7 Y" T) S. D6 N* \7 a' ZUser-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。
6 A8 n- s" ^7 _. k. d5 E
* {6 }$ q' B* 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。
8 p8 }  O  F7 I5 ^* }4 @8 X
4 w$ ^" R0 L8 m& ?, I2.限制IP
8 a0 u6 x3 R% D
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。

& m$ h6 ^+ i7 F% @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。
/ j( v2 G: n- ^9 ]$ n8 p
3. 添加验证码
% O" u: A3 u) L& g0 `
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。

' N$ y  _' g  A6 N
5 ]" I+ e" U$ O! g/ g
原文连接：http://www.szw86.com/thread-9831-1-1.html