|
防止网站被爬虫抓取的方法有哪些
& v$ {3 [* q# N
- d* l; F2 S% J8 e: Q% [0 q防止网站被爬虫抓取的方法有哪些 e, z% ?, h+ V$ U+ |
, ]8 x3 o! S: z* Z5 x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?
' U X6 F2 s. j; B4 J7 n& [1 x: m7 x& x1 h' n9 o; v
一、分辨爬虫的善恶
# Q( m4 ~: d( {- O1 N# J* p5 `+ P3 u3 [. t& t: F
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。# A' g. R4 S- }6 {0 s) E
# m1 l' K( _5 j; R) B
二、如何防止网站被爬虫?
, y+ X8 j" d) m5 J8 f* M, o* Z- {- M1 a k' {; `2 P( p
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。5 \$ F7 g( v8 M
; z& m# T; A3 Z( h) ]) n9 v& b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。; J3 a3 S4 ?' v6 C7 e- ~
2 F+ a m. C2 m u
针对恶意爬虫,我们可以采取以下措施来识别和阻断它。
# c: y+ A. g1 k( y; ^
% S' P4 G* x) Z; N+ \1.限制User-Agent字段. q4 X4 _* k! w2 L; I4 o
^. H: f8 `2 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。1 Q4 ~% J' \. \ g
: j$ J( `7 L2 L+ w9 I. GUser-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。
, L, g b5 T6 S) t' c9 ?' W* {) P2 o$ V+ c
2.限制IP
) q) @8 A+ Y3 G. E# R1 v+ A$ B% |! L/ G }* B# ?% f4 F
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。
, ]" ^9 ?% f7 w3 k% C6 z h2 h2 ~* X+ a3 O# w9 @- 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。5 Z& W2 v- U' m6 y
5 U* Q6 _$ p7 A; R6 `
3. 添加验证码4 q, F, s* V/ G2 o) p) s4 T# q2 f
6 b5 k1 T+ o# Y4 Q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。
/ u9 ?$ q& \/ p! d( a A
9 w" B( O% U# e' N! v& l& v/ h2 A
. {/ X! b5 F. E+ k4 [4 ?. l& M2 c: n( o% B9 i6 Z4 A
原文连接:http://www.szw86.com/thread-9831-1-1.html |
|