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 {/ J$ W: B* S) [: z防止网站被爬虫抓取的方法有哪些
! U4 R" I- a+ Q- c% J9 h8 [
  B% k# k, t& K1 m; t: e- S: ]7 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？

一、分辨爬虫的善恶
4 {, t& ^' ]4 R5 Y$ }# w, H6 A7 Q+ P
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。
5 |+ ~7 B" Z; c( B0 I3 I$ a
1 h& u0 b0 R' ~% z& y* J; g" j) N2 z, E二、如何防止网站被爬虫？
; w. |  @: W4 n% f3 e) K2 h
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。
6 x5 D0 Q$ G: i8 ]5 N5 s9 T9 J* E
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。
. p5 V- a: {2 o$ I
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

# y8 o! W! \) s5 P. _- _  S$ [& o7 `1.限制User-Agent字段
3 D8 A3 W+ x# A) ^9 l
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。
- C) A* \! }* e3 R" H
2.限制IP
2 ^1 {0 e* ~( m! B, p; S
+ T  p9 T5 I+ h) e5 d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。

4 ]5 D1 u! y: X; j& h7 B* K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。
* q  u, t7 Y# {1 a  m  ]" `
3. 添加验证码
) I  @% ?" A2 u7 d
) n! j4 L6 z/ t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。


4 `& A1 b; Z; \) q5 y& w2 Q
& q: I, y: M! H7 q原文连接：http://www.szw86.com/thread-9831-1-1.html