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
: n2 |) [! x( _& r; @: A5 H
防止网站被爬虫抓取的方法有哪些
" a; j5 A, \+ r
  w& `+ v  ]6 w. H0 o5 J4 B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？

* q' o6 J) U# M一、分辨爬虫的善恶
* c) w2 s7 M/ A6 {! M/ G- {
5 r8 Z8 \7 |5 l  k' 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。
& P" v! p) Y2 |/ L
" h/ J0 O% Z( w5 @+ V二、如何防止网站被爬虫？
4 R- I+ ]$ P5 B9 s
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。
$ f* D$ }- h- {$ w) Q/ x2 z; L/ T5 F
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。
7 T3 Z. p: O! E' c
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

9 s0 i+ l( x' L6 W1.限制User-Agent字段

& {5 W; G1 M; G  b! u/ aUser-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。

User-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 A. r3 d( w' c2 D6 o
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。
+ j7 ^- z! P+ f- `, t- O
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。
' k( O5 v! F+ I* O3 e7 `: `2 f
3. 添加验证码

7 N" z  U" n8 i2 S, P# d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 E& i- g4 U: o; f2 Z
6 b* h0 d% p8 L5 j

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