关于防止网站被爬虫抓取的几点可能性的对策

关于防止网站被爬虫抓取的几点可能性的对策

iDaemon

关于防止网站被爬虫抓取的几点可能性的对策

2012 年 3 月 28 日 – 10:12

近年来随着Web2.0的兴起，每天都有海量数据在互联网上生成，数据挖掘越来越火，其中网络爬虫(Spider/Crawler)的迅猛发展就是其中的表现之一。

然而，自家的网站被恶意爬虫抓取并不是什么好事，一来有商业信息被同业竞争对手利用的可能，京东屏蔽一淘抓取就是基于此；二来也对有限的服务器资源造成了大量的浪费，甚至影响正常的业务开展。

根据个人对抗爬虫经历中的一点点体会，更重要的是还有参阅众多前辈高人的智慧结晶，将几点浅陋的可能对策列举如下：

a) 对于最低级的爬虫，检测http头中的User-Agent，放行搜索引擎爬虫和主流浏览器，其余UA予以拦截；

b) 为了对付伪装UA成正常访问的爬虫，可以在页面放置js统计。由于爬虫一般不执行js，对于服务器访问日志中有记录但js统计中无对应记录的IP，予以拦截；

c) 对于模拟正常页面访问的爬虫，根据js统计结果，结合分析页面停留时间与页面访问数量，符合一定规则的（停留时间短且数值浮动小，页面访问量大）予以拦截；

d) 定期分析汇总服务器某段时间的访问IP记录，利用脚本统计出访问量过高（如日PV数5000以上）的IP/IP段列表，统一查询该IP段WHOIS信息、归属地，以检测未知的合法爬虫IP段或揪出恶意爬虫中的漏网之鱼；

e) 至于前端页面的处理，可以考虑敏感信息图片化（如手机号），但对于使用python等编写、具有OCR功能、能够执行js的爬虫来说，防治作用不是很大。以我之陋见，还可考虑使用：随机字体[保证美观前提下]、增加干扰动画色块[力求整洁避免杂乱]、鼠标悬停显示信息[提示“为了您的隐私请…”]等方法来继续改进，当然每种方案均需反复测试论证，用户体验才是第一位的。

如有谬误或不足，欢迎大家指正。

posted on 2012-12-02 22:52  lexus 阅读( ...) 评论( ...) 编辑 收藏

转载于:https://www.cnblogs.com/lexus/archive/2012/12/02/2798809.html