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

防止网站被爬虫抓取的方法有哪些
1 j8 K& \4 Z6 F& D% t8 b5 T. 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？
7 Q0 g0 T' N0 E+ e- @0 |3 P
一、分辨爬虫的善恶
# u! ]# Z' i* G1 V7 p
2 g7 ?0 Q/ Q- n! g* @8 t5 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。
) \$ _" k% O+ C$ q* u. ]+ D7 p4 J, n0 J
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。
" d7 e3 t' j- M1 R0 S1 c" y3 l
* e! H9 S" h( |8 [& T4 J  k! n% N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。
0 L1 \5 q/ P9 t/ n9 P
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
7 j  o0 ?' I* h/ k
: \/ J3 v0 M+ o" q- R1.限制User-Agent字段
+ n- V* E( @# t! x/ D+ s) x+ N% N
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。
( Y% v% v& V6 _; Y
7 i2 C# c# t% L: ~; sUser-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。

5 ~8 B1 |2 b+ I8 q2.限制IP
# Z  S) m2 M3 ?8 X% P
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。

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。

& Z  u) B  _4 l& v; f  C% Q3. 添加验证码

" y0 Z" P7 `$ e. Y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。

+ T! b1 z- o3 ^: @1 V, y# K; J2 S
: F0 K( x$ i, a- G. T- h
原文连接：http://www.szw86.com/thread-9831-1-1.html