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
7 h/ E1 X. I  S6 `2 q
防止网站被爬虫抓取的方法有哪些
  W2 j6 U8 s$ t
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？

一、分辨爬虫的善恶
- h" K  W- f+ v/ }
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。
0 v$ \. [) q' l" ^3 C6 w, W
二、如何防止网站被爬虫？

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。
3 I, P! ~' i2 Y! @; J! g8 I: m
( h3 E7 X0 @, f3 L) Q2 k! }5 G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。

$ S* _1 P& D9 z& p5 r" p针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

* k' ?& D: d2 {" d7 x1.限制User-Agent字段
% G( E! p) M, t7 Z
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。
) g. C" d# c+ k; r1 Z7 R
$ T9 u. _. P6 I; j. e+ \8 aUser-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。
; j" Z  R/ q4 w; B) T& p) s
2.限制IP
& z* f% Q1 s  W- f( 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。
) z! D* E9 q  p2 A' m# Q' n1 n. u
, n! A2 @1 ?# ?4 M2 H3 G; p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。

3. 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。

- r' x0 M5 \3 U% P

" S  T# K6 {4 L3 L( A5 ]原文连接：http://www.szw86.com/thread-9831-1-1.html