您的需求已经提交,我们将在48小时内联系您
全国服务热线:400-1000-221
确定
免费享受企业级云安全服务
获取手机验证码
{{message}}
免费试用

网站防御爬虫攻击有哪些方式

作者:安全狗
发布时间:2023-03-02

  很多网站都深受爬虫困扰,网站在被爬虫大量抓取的的时候经常容易被爬虫把服务器资源抓崩了,有的时候,同行也会来爬取我们网站进行数据采集,影响我们站点的原创性,那么接下来就跟着小编来看看网站防御爬虫攻击有哪些方式吧。

  反爬机制主要有两大策略:

  01

  —

  控制IP访问频率

  最常见的基本都会使用代理IP来进行访问,但是对于一般人来说,几万ip差不多是极限了,所以一个ip还是可能多次请求。意味着爬虫需要付出更多的成本投入在IP资源上,IP越多,爬取的成本越高,自然容易劝退一部分人。

  02

  —

  控制爬取策略

  如果简单的只对目标数据进行爬取,反爬系统只要对访问情况和用户行为进行相关分析,其实很简单就能判定爬虫的那堆ip,你除了这堆数据什么都没访问,一看就不是正经用户。

  当然策略这个东西,就需要更多的博弈了。爬虫要增加迷惑度,需要去访问一些无关的东西,最后是研究正常用户的访问流程,然后模拟一遍。再者,控制速度。毕竟反爬系统的统计区间是肯定有限制的,不可能拿一个月的数据都分析一遍找出爬虫。

  反爬系统的存在,意义就在于增加这个成本。当然也需要衡量自身的成本,毕竟不能本末倒置,反爬成本太高就没价值了。

  那网站一般用什么措施防范爬虫呢?主要有以下几种:

  1、限制IP地址单位时间的访问次数

  没有哪个常人一秒钟内能访问相同网站5次,除非是程序访问,而有这种喜好的,就剩下搜索引擎爬虫和讨厌的采集器了。

  弊端:一刀切,这同样会阻止搜索引擎对网站的收录

  适用网站:不太依靠搜索引擎的网站

  爬虫:减少单位时间的访问次数,减低采集效率

  2、屏蔽ip

  通过后台计数器,记录来访者ip和访问频率,人为分析来访记录,屏蔽可疑ip。

  弊端:似乎没什么弊端,就是站长忙了点

  适用网站:所有网站,且站长能够知道哪些是google或者百度的机器人

  爬虫:打游击战呗!利用ip代理采集一次换一次,不过会降低爬虫的效率和网速)。

  3、利用js加密网页内容

  搜索引擎爬虫和采集器通杀,搞死人

  适用网站:极度讨厌搜索引擎和采集器的网站

  爬虫:你那么牛,成本不允许,我不爬了

  4、网页里隐藏网站版权或者一些随机垃圾文字,这些文字风格写在css文件中

  虽然不能防止采集,但是会让采集后的内容充满了你网站的版权说明或者一些垃圾文字,因为一般爬虫不会同时采集你的css文件,那些文字没了风格,就显示出来了。

  适用网站:所有网站

  爬虫:对于版权文字,好办,替换掉。对于随机的垃圾文字,没办法,勤快点了。

  5、用户登录才能访问网站内容

  搜索引擎爬虫不会对每个这样类型的网站设计登录程序。

  适用网站:极度讨厌搜索引擎,且想阻止大部分爬虫的网站

  爬虫:制作拟用户登录提交表单行为的模块。

  6、利用脚本语言做分页(隐藏分页)

  搜索引擎爬虫不会针对各种网站的隐藏分页进行分析,这影响搜索引擎对其收录。但是,采集者在编写采集规则时,要分析目标网页代码,懂点脚本知识的人,就会知道分页的真实链接地址。

  适用网站:对搜索引擎依赖度不高的网站,还有,采集你的人不懂脚本知识

  爬虫:反正都要分析你的网页代码,顺便分析你的分页脚本,花不了多少额外时间。

  7、防盗链措施 (只允许通过本站页面连接查看,如:Request.ServerVariables(“HTTP_REFERER“) )

  asp和php可以通过读取请求的HTTP_REFERER属性,来判断该请求是否来自本网站,从而来限制爬虫,同样也限制了搜索引擎爬虫,严重影响搜索引擎对网站部分防盗链内容的收录。

  适用网站:不太考虑搜索引擎收录的网站。

  爬虫:伪装HTTP_REFERER,不难。

  8、全flash、图片或者pdf来呈现网站内容

  对搜索引擎爬虫和采集器支持性不好,这个很多懂点seo的人都知道

  适用网站:媒体设计类并且不在意搜索引擎收录的网站

  爬虫:不爬了,走人

  9、网站随机采用不同模版

  因为采集器是根据网页结构来定位所需要的内容,一旦先后两次模版更换,采集规则就失效,不错。而且这样对搜索引擎爬虫没影响。

  适用网站:动态网站,并且不考虑用户体验

  爬虫:一个网站模版不可能多于10个吧,每个模版弄一个规则就行了,不同模版采用不同采集规则。如果多于10个模版了,既然目标网站都那么费劲的更换模版,成全他,撤。

  10、采用动态不规则的html标签

  这个比较变态。考虑到html标签内含空格和不含空格效果是一样的,所以< div >和< div>对于页面显示效果一样,但是作为采集器的标记就是两个不同标记了。如果每次页面的html标签内空格数随机,那么采集规则就失效了。但是,这对搜索引擎爬虫没多大影响。

  适合网站:所有动态且不想遵守网页设计规范的网站

  爬虫:还是有对策的,现在html cleaner还是很多的,先清理了html标签,然后再写采集规则;应该用采集规则前先清理html标签,还是能够拿到所需数据。

  了解了以上一些常见反爬措施,

标签: 网站防御