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
! \! v6 c! `# Y# h* {& R% o$ V+ E
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？
3 n; o- c4 I  y; g- e
- ^! Y7 V- S3 V) I) i5 A一、分辨爬虫的善恶
% m# ~* _1 ]$ A- x
6 {$ Z; n1 `( S3 l. V( P2 W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。
4 D. L, f$ v1 A9 X
7 [- }4 S( Z2 X6 ~8 h, Z8 @二、如何防止网站被爬虫？
" x' N9 f; z" i& m5 n& @0 t
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。

% Q  E* ]  M& t  J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。
$ W" V+ x! A  B" `% ^- G$ R
. W6 e6 `2 H8 O$ m5 x1 i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
) K% K5 }' i# ^0 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。
" m! B2 B0 e  ]) S) G% N/ Y0 \
  M! I0 R/ {6 WUser-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。
: B/ T1 x1 g. c- i
9 O. }0 X9 J1 z+ c* \' X, G/ W2.限制IP

- K1 y+ T- m( v3 h; B2 P# J% \% C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。
. _- i$ v  g1 e- J, e6 `
3. 添加验证码
; K& X5 k4 W1 i6 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。
5 ~) k/ y, _8 s& e: Q; m9 w+ P5 O
& u8 O" t! g6 F6 @( p+ C

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