|
防止网站被爬虫抓取的方法有哪些
; T, h( D) R. u& t
! C3 Z$ W6 W9 W4 C1 D# l# v防止网站被爬虫抓取的方法有哪些
- R& z) W* E/ K6 y5 e0 V1 n0 `& C- H X5 z' t6 W! d! w
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?5 l \6 G: b# ~& w
3 R, e/ v9 M5 U! M3 |一、分辨爬虫的善恶1 d* o4 ~5 d7 v. M) ?9 q
. n- ? P6 G: f% M2 W
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。 V$ g) V7 V/ I- f k
+ d) a* t7 Z z* h/ g- [) {9 d: s二、如何防止网站被爬虫?2 u1 ~0 m+ z3 }5 V& \- o7 Q0 L
: z( h& T% S# U/ j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。% V- C8 f$ S! y# \6 O( T
- f" S3 p: Y" Z
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。
q# z" N E H2 c
$ h. `" Z2 M3 |( Z针对恶意爬虫,我们可以采取以下措施来识别和阻断它。 N/ q) E; t" T4 J& u& H* l
' U; D5 E5 O2 M5 V5 R
1.限制User-Agent字段
1 U, G- U! L' `' {% O' o( _, v- Y9 N' j
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。1 e% ]- Q2 ?* H
2 [; r: J6 ^- Z! ]7 A( E1 eUser-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。& O; X# v+ k: N6 [7 n8 }6 {! F9 }
6 d0 E! ?3 p) _2 _2 y0 C
2.限制IP- Y \8 n& x& y
: E/ x+ r* ~4 y4 V, J
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。3 X/ ^+ R3 I7 q$ D2 \7 A6 j a
( j# \3 s0 }+ _5 p3 }
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 | f0 U0 U7 {; n3 Z0 R7 S- p8 Q
+ W: m7 r2 ~3 @6 d# a& p
3. 添加验证码0 S/ F. J0 t6 P0 L/ K6 h J$ i, {0 v
! q9 Q- u+ b& r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。 ~% D9 j( F" C: O, a0 k
, L: G/ O4 r9 E. ?) p4 i9 I) L5 B
, ~ P! k! U6 g6 L4 z: e
9 L0 M7 Y3 ^; y
原文连接:http://www.szw86.com/thread-9831-1-1.html |
|