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

3 k( @9 R' p9 U6 u5 f1 d+ X6 s, n防止网站被爬虫抓取的方法有哪些

5 ~9 ]* ?4 O8 u0 d8 l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？
9 T8 a1 q/ Q- o6 z
5 o' z' E1 O4 t, X- u& D( I一、分辨爬虫的善恶

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。
& A% i7 L9 r& u1 I* c# r3 K. r
二、如何防止网站被爬虫？

3 s  F* w# ?$ Q: k4 F3 I, m. 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。

/ k- H" {  f) q  M+ I针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
& Y1 d" ~3 V/ \5 T4 u; U6 d
" U$ d) @6 ~$ Z! _9 t# k8 c/ p1.限制User-Agent字段

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。
+ S5 _7 Y$ |4 X9 b  M
/ u, Q! F3 S- }/ @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。
- u6 u5 l$ r$ P
2.限制IP
. I( j' j7 v5 j' L; }" p5 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。

$ g+ d/ {! x" q1 r  m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。

4 \2 `3 Y$ H( ~: g$ X- p3. 添加验证码

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。
& d% R( ^: q1 E- a; X
, |# z; z$ Z9 I

1 H2 b' m: n" T1 x  b* A- W原文连接：http://www.szw86.com/thread-9831-1-1.html