|
防止网站被爬虫抓取的方法有哪些
- s9 s D% X# G, A/ v' W
" [/ w! W+ i. S! n1 l% y) l防止网站被爬虫抓取的方法有哪些
/ q% d+ W. \" `/ ^, `
, Y- o' E% j, [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?* J, M( M, d, q9 h3 w8 [
4 \( ]7 R9 p7 ^: _& |6 [0 B一、分辨爬虫的善恶8 M3 {6 q" f4 Z/ u0 `
; V* d8 |2 v0 U$ `* X6 L' D! i
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。* [) j5 C) O2 m$ \7 A
* [8 \7 D) Z* b. e" H) n2 E& F6 x& p二、如何防止网站被爬虫?9 d @3 ~' W1 v1 n/ G
8 ~( X8 E1 r. o2 j( W
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。: b c2 q8 d3 K% ?! P7 Z1 z
, l& S4 f- o) x2 u- o' x6 c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。
$ O1 F) @0 I9 H' n9 w. G0 D' @& p8 b
针对恶意爬虫,我们可以采取以下措施来识别和阻断它。
r9 K0 Z8 U# l
, }' x5 N2 w$ ^( g7 s4 H1.限制User-Agent字段6 p. W$ A" \9 Q3 A8 {: P2 X
; z& e+ ?3 ^% d) z4 a( O# L% E
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。; l# @8 x9 }3 J& ?
7 U/ a+ f/ T6 ^- d$ L, x. ]) j+ i e
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。
* O i/ E6 I5 T4 u T0 W C0 N, o! a5 ~( u: Z6 U9 d3 v* E
2.限制IP
/ J! z1 \$ i9 U$ y2 g4 P2 x& l. ?- c# ~ i6 R8 k
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。! b! H P2 b1 L' I2 f. S" m
- @6 F0 ^' t! D3 ?' ]
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。, G" h- n( k8 O
, C; o9 G# f+ @& c/ x& \3. 添加验证码/ @( Z$ Q- O- b9 ?% u$ A g
8 b4 Y* M4 u* M( X& w d7 `& \! j
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。
" t8 \, F! V1 V) D5 @
; ?2 S/ e4 ?; G5 J9 u2 q
$ @" }6 H, l6 e, d: ^( f0 W
L! x' }& k! E# H g0 c1 U原文连接:http://www.szw86.com/thread-9831-1-1.html |
|