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
! K9 |: f( {; `/ k' U! x
: @* ^' s$ N8 V- e* Y1 J0 q5 I( M& `防止网站被爬虫抓取的方法有哪些
: i" T5 L# }& Q
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？
4 G( k$ R( z7 Y  x' l" {) [# L
+ Z9 e; r( @/ \& D9 Y- p一、分辨爬虫的善恶
2 r: j1 i  I7 A3 Q5 l
2 ^5 F3 m$ y2 b) `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。
' r' s. [$ n0 k
9 n) h2 Z7 V  T% c  C2 v二、如何防止网站被爬虫？
9 q# N3 s+ w& ^" U2 U- U
( s) N9 o0 {6 O! R5 k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。
! P: [' _" C; L+ V- r6 d4 F
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。
) z0 F' G  ]0 Y! x  K
* S6 M, d4 q* N2 W0 x1 F2 m针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

- e5 E' G  r6 }/ n2 |1.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。

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。
& ]; Y" j) i: `2 n. \' B
% J( q. k0 T( V( G6 f2.限制IP

7 U. M# I  [/ l8 S, `! a; w* ~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。

& E' m9 _& Y6 R* ?0 h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。
+ x" _6 k6 a# T( t4 Y3 Q
3. 添加验证码

/ w- t5 L9 v, H* d% 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。
' @' C9 Q. U# j) N
- k4 z1 L  c  t7 t4 ?# c6 Q* k

$ z% k, V  u6 c% {9 a  A/ a# D) N% j原文连接：http://www.szw86.com/thread-9831-1-1.html