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
) V5 K# N, |2 f" x: l8 l, u
7 f3 Y4 x% u; `. u" k& }, R8 Z" s( X防止网站被爬虫抓取的方法有哪些

  Q+ ?+ u1 O" y4 u6 c( 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？
$ [7 L: F7 e6 e6 n5 w, o2 K6 G, Q
一、分辨爬虫的善恶

6 w9 E* d0 s7 p, e0 J+ W* R! m8 b% N9 M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。
3 d- l* Y( @4 H# P" E* D
5 k7 V" _! d% i$ p* m二、如何防止网站被爬虫？

" Y# N9 d2 O& `  S- J& F) c. D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。
9 B9 Y  o* I. r5 t4 l
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。

3 o. G: c- @' h6 {2 f" R" {针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段

. r  m( f: `, J* R' w3 [  h3 {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。
& O; b/ w3 h0 E/ f' P0 O, z( F
% @- d3 e4 B* BUser-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。
/ Y4 {: v* `  ?- ~
2.限制IP

- ~3 }7 ~1 M, h& k9 }1 V. 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。
: w1 K) F9 G- S0 d( s8 D# 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。

6 g( h% M, u+ s" ?: u, b0 K3. 添加验证码
9 I6 X9 f/ U: P* l' [  b; Q' G
9 L: \2 }# r- R0 V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。
9 b( k6 \# _7 W6 j' d7 t4 M


原文连接：http://www.szw86.com/thread-9831-1-1.html