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

1 D- ?! R/ _4 Z  n' y3 a! N) V; V防止网站被爬虫抓取的方法有哪些
/ L4 L8 t: d; M
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？

+ o7 f% J" s8 b! s9 x+ q: ~一、分辨爬虫的善恶
2 ~3 u# ^7 i3 u
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。
) g$ j5 L. b! y9 [  y
二、如何防止网站被爬虫？
- T& U- c% ~1 z' b! o. ?
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。
7 z- o7 ^9 p  p4 A
# p  O7 N- }2 y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。

" z% K- M7 x0 w/ f针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

9 v6 U  R* X& h$ D5 G, f2 Z6 m1.限制User-Agent字段
+ `, M) `* t! m4 B
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。

. e1 U5 S1 `+ i. Z1 e! }/ mUser-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。

2.限制IP

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。

' z- A2 M" F- C* k( f, F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。
8 K: o1 o- A8 e
3. 添加验证码
* D: Q& L6 n3 M9 U# n
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。
2 w. v) T8 M! O


! X5 O  H) p# G  F! d; P' R4 D9 z原文连接：http://www.szw86.com/thread-9831-1-1.html