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
) t6 |/ _) X9 c' |& X
- ^3 n# t, n7 K2 a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？

1 j& y7 g0 E9 B% t一、分辨爬虫的善恶
% l1 \# Y& M% K0 f- @( d
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。

3 }5 G+ c! L. {* `2 l3 o二、如何防止网站被爬虫？
) k' G7 g, m! U$ m- T. l
% |# a4 u$ W* V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。

0 U* p/ ~* R9 N* Z: a! p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。
: W" q7 b. o8 D: c8 L
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

) `' n' s& J* B  K& m& \$ Q. z1.限制User-Agent字段
9 J0 z7 ^0 N; B3 n
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。
8 D1 ^! G7 {1 N1 e0 U
# C" L6 P2 Z  ]. ]# 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。
, L3 d8 ]% H/ d* m! m6 {
2.限制IP

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。

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。
6 G, E& Z  c' e* w) C
. c3 C* v2 ~% x. ^9 m& y3. 添加验证码
/ E) H$ Q- g2 C, ]
+ ?& m3 f2 m; T+ Y+ [; W9 J9 P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。
; M1 x4 n  J& `: L; P, w
: B( J- x8 S% e* S9 a" R
8 S, V2 H$ U% A2 S% N# I4 R% m. ]
原文连接：http://www.szw86.com/thread-9831-1-1.html