因為搜索引擎的流行，網(wǎng)絡爬蟲已經(jīng)成了很普及網(wǎng)絡技術(shù)，除了專門做搜索的Google，Yahoo，微軟，百度以外，幾乎每個大型 門戶網(wǎng)站都有自己的搜索引擎，大大小小叫得出來名字得就幾十種，還有各種不知名的幾千幾萬種，對于一個內(nèi)容型驅(qū)動的網(wǎng)站來說，受到網(wǎng)絡爬蟲的光顧是不可避 免的。
一些智能的搜索引擎爬蟲的爬取頻率比較合理，對網(wǎng)站資源消耗比較少，但是很多糟糕的網(wǎng)絡爬蟲，對網(wǎng)頁爬取能力很差，經(jīng)常并發(fā)幾十上百個請求循環(huán)重復 抓取，這種爬蟲對中小型網(wǎng)站往往是毀滅性打擊，特別是一些缺乏爬蟲編寫經(jīng)驗的程序員寫出來的爬蟲破壞力極強，造成的網(wǎng)站訪問壓力會非常大，會導致網(wǎng)站訪問 速度緩慢，甚至無法訪問。
手工識別和拒絕爬蟲的訪問
相當多的爬蟲對網(wǎng)站會造成非常高的負載，因此識別爬蟲的來源IP是很容易的事情。最簡單的辦法就是用netstat檢查80端口的連接：
netstat -nt | grep youhostip:80 | awk '{print $5}' | awk -F":" '{print $1}'| sort | uniq -c | sort -r -n
這行shell可以按照80端口連接數(shù)量對來源IP進行排序，這樣可以直觀的判斷出來網(wǎng)頁爬蟲。一般來說爬蟲的并發(fā)連接非常高。
如果使用lighttpd做Web Server，那么就更簡單了。lighttpd的mod_status提供了非常直觀的并發(fā)連接的信息，包括每個連接的來源IP，訪問的URL，連接狀 態(tài)和連接時間等信息，只要檢查那些處于handle-request狀態(tài)的高并發(fā)IP就可以很快確定爬蟲的來源IP了。
拒絕爬蟲請求既可以通過內(nèi)核防火墻來拒絕，也可以在web server拒絕，比方說用iptables拒絕：
iptables -A INPUT -i eth0 -j DROP -p tcp --dport 80 -s 84.80.46.0/24
直接封鎖爬蟲所在的C網(wǎng)段地址。這是因為一般爬蟲都是運行在托管機房里面，可能在一個C段里面的多臺服務器上面都有爬蟲，而這個C段不可能是用戶寬帶上網(wǎng)，封鎖C段可以很大程度上解決問題。
通過識別爬蟲的User-Agent信息來拒絕爬蟲
有很多爬蟲并不會以很高的并發(fā)連接爬取，一般不容易暴露自己；有些爬蟲的來源IP分布很廣，很難簡單的通過封鎖IP段地址來解決問題；另外還有很多 各種各樣的小爬蟲，它們在嘗試Google以外創(chuàng)新的搜索方式，每個爬蟲每天爬取幾萬的網(wǎng)頁，幾十個爬蟲加起來每天就能消耗掉上百萬動態(tài)請求的資源，由于 每個小爬蟲單獨的爬取量都很低，所以你很難把它從每天海量的訪問IP地址當中把它準確的挖出來。
這種情況下我們可以通過爬蟲的User-Agent信息來識別。每個爬蟲在爬取網(wǎng)頁的時候，會聲明自己的User-Agent信息，因此我們就可以 通過記錄和分析User-Agent信息來挖掘和封鎖爬蟲。我們需要記錄每個請求的User-Agent信息，對于Rails來說我們可以簡單的在 app/controllers/application.rb里面添加一個全局的before_filter，來記錄每個請求的User-Agent信 息：
logger.info "HTTP_USER_AGENT #{request.env["HTTP_USER_AGENT"]}"
然后統(tǒng)計每天的production.log，抽取User-Agent信息，找出訪問量最大的那些User-Agent。要注意的是我們只關(guān)注那 些爬蟲的User-Agent信息，而不是真正瀏覽器User-Agent，所以還要排除掉瀏覽器User-Agent，要做到這一點僅僅需要一行 shell：
grep HTTP_USER_AGENT production.log | grep -v -E 'MSIE|Firefox|Chrome|Opera|Safari|Gecko' | sort | uniq -c | sort -r -n | head -n 100 > bot.log
統(tǒng)計結(jié)果類似這樣：
57335 HTTP_USER_AGENT Baiduspider+(+http://www.baidu.com/search/spider.htm)
56639 HTTP_USER_AGENT Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)
42610 HTTP_USER_AGENT Mediapartners-Google
19131 HTTP_USER_AGENT msnbot/2.0b (+http://search.msn.com/msnbot.htm)
從日志就可以直觀的看出每個爬蟲的請求次數(shù)。要根據(jù)User-Agent信息來封鎖爬蟲是件很容易的事情，lighttpd配置如下：
$HTTP["useragent"] =~ "qihoobot|^Java|Commons-HttpClient|Wget|^PHP|Ruby|Python" {
url.rewrite = ( "^/(.*)" => "/crawler.html" )
}
使用這種方式來封鎖爬蟲雖然簡單但是非常有效，除了封鎖特定的爬蟲，還可以封鎖常用的編程語言和HTTP類庫的User-Agent信息，這樣就可以避免很多無謂的程序員用來練手的爬蟲程序?qū)W(wǎng)站的騷擾。
還有一種比較常見的情況，就是某個搜索引擎的爬蟲對網(wǎng)站爬取頻率過高，但是搜索引擎給網(wǎng)站帶來了很多流量，我們并不希望簡單的封鎖爬蟲，僅僅是希望降低爬蟲的請求頻率，減輕爬蟲對網(wǎng)站造成的負載，那么我們可以這樣做：
$HTTP["user-agent"] =~ "Baiduspider+" {
connection.delay-seconds = 10
}
對百度的爬蟲請求延遲10秒鐘再進行處理，這樣就可以有效降低爬蟲對網(wǎng)站的負載了。
通過網(wǎng)站流量統(tǒng)計系統(tǒng)和日志分析來識別爬蟲
有些爬蟲喜歡修改User-Agent信息來偽裝自己，把自己偽裝成一個真實瀏覽器的User-Agent信息，讓你無法有效的識別。這種情況下我們可以通過網(wǎng)站流量系統(tǒng)記錄的真實用戶訪問IP來進行識別。
主流的網(wǎng)站流量統(tǒng)計系統(tǒng)不外乎兩種實現(xiàn)策略：一種策略是在網(wǎng)頁里面嵌入一段js，這段js會向特定的統(tǒng)計服務器發(fā)送請求的方式記錄訪問量；另一種策 略是直接分析服務器日志，來統(tǒng)計網(wǎng)站訪問量。在理想的情況下，嵌入js的方式統(tǒng)計的網(wǎng)站流量應該高于分析服務器日志，這是因為用戶瀏覽器會有緩存，不一定 每次真實用戶訪問都會觸發(fā)服務器的處理。但實際情況是，分析服務器日志得到的網(wǎng)站訪問量遠遠高于嵌入js方式，極端情況下，甚至要高出10倍以上。
現(xiàn)在很多網(wǎng)站喜歡采用awstats來分析服務器日志，來計算網(wǎng)站的訪問量，但是當他們一旦采用Google Analytics來統(tǒng)計網(wǎng)站流量的時候，卻發(fā)現(xiàn)GA統(tǒng)計的流量遠遠低于awstats，為什么GA和awstats統(tǒng)計會有這么大差異呢？罪魁禍首就是 把自己偽裝成瀏覽器的網(wǎng)絡爬蟲。這種情況下awstats無法有效的識別了，所以awstats的統(tǒng)計數(shù)據(jù)會虛高。
其實作為一個網(wǎng)站來說，如果希望了解自己的網(wǎng)站真實訪問量，希望精確了解網(wǎng)站每個頻道的訪問量和訪問用戶，應該用頁面里面嵌入js的方式來開發(fā)自己 的網(wǎng)站流量統(tǒng)計系統(tǒng)。自己做一個網(wǎng)站流量統(tǒng)計系統(tǒng)是件很簡單的事情，寫段服務器程序響應客戶段js的請求，分析和識別請求然后寫日志的同時做后臺的異步統(tǒng) 計就搞定了。
通過流量統(tǒng)計系統(tǒng)得到的用戶IP基本是真實的用戶訪問，因為一般情況下爬蟲是無法執(zhí)行網(wǎng)頁里面的js代碼片段的。所以我們可以拿流量統(tǒng)計系統(tǒng)記錄的 IP和服務器程序日志記錄的IP地址進行比較，如果服務器日志里面某個IP發(fā)起了大量的請求，在流量統(tǒng)計系統(tǒng)里面卻根本找不到，或者即使找得到，可訪問量 卻只有寥寥幾個，那么無疑就是一個網(wǎng)絡爬蟲。
分析服務器日志統(tǒng)計訪問最多的IP地址段一行shell就可以了：
grep Processing production.log | awk '{print $4}' | awk -F'.' '{print $1"."$2"."$3".0"}' | sort | uniq -c | sort -r -n | head -n 200 > stat_ip.log
然后把統(tǒng)計結(jié)果和流量統(tǒng)計系統(tǒng)記錄的IP地址進行對比，排除真實用戶訪問IP，再排除我們希望放行的網(wǎng)頁爬蟲，比方Google，百度，微軟msn爬蟲等等。最后的分析結(jié)果就就得到了爬蟲的IP地址了。以下代碼段是個簡單的實現(xiàn)示意：
whitelist = []
IO.foreach("#{RAILS_ROOT}/lib/whitelist.txt") { |line| whitelist << line.split[0].strip if line }
realiplist = []
IO.foreach("#{RAILS_ROOT}/log/visit_ip.log") { |line| realiplist << line.strip if line }
iplist = []
IO.foreach("#{RAILS_ROOT}/log/stat_ip.log") do |line|
ip = line.split[1].strip
iplist << ip if line.split[0].to_i > 3000 && !whitelist.include?(ip) && !realiplist.include?(ip)
end
Report.deliver_crawler(iplist)
分析服務器日志里面請求次數(shù)超過3000次的IP地址段，排除白名單地址和真實訪問IP地址，最后得到的就是爬蟲IP了，然后可以發(fā)送郵件通知管理員進行相應的處理。
網(wǎng)站的實時反爬蟲防火墻實現(xiàn)策略
通過分析日志的方式來識別網(wǎng)頁爬蟲不是一個實時的反爬蟲策略。如果一個爬蟲非要針對你的網(wǎng)站進行處心積慮的爬取，那么他可能會采用分布式爬取策略， 比方說尋找?guī)装偕锨€國外的代理服務器瘋狂的爬取你的網(wǎng)站，從而導致網(wǎng)站無法訪問，那么你再分析日志是不可能及時解決問題的。所以必須采取實時反爬蟲策 略，要能夠動態(tài)的實時識別和封鎖爬蟲的訪問。
要自己編寫一個這樣的實時反爬蟲系統(tǒng)其實也很簡單。比方說我們可以用memcached來做訪問計數(shù)器，記錄每個IP的訪問頻度，在單位時間之內(nèi)， 如果訪問頻率超過一個閥值，我們就認為這個IP很可能有問題，那么我們就可以返回一個驗證碼頁面，要求用戶填寫驗證碼。如果是爬蟲的話，當然不可能填寫驗 證碼，所以就被拒掉了，這樣很簡單就解決了爬蟲問題。
用memcache記錄每個IP訪問計數(shù)，單位時間內(nèi)超過閥值就讓用戶填寫驗證碼，用Rails編寫的示例代碼如下：
ip_counter = Rails.cache.increment(request.remote_ip)
if !ip_counter
Rails.cache.write(request.remote_ip, 1, :expires_in => 30.minutes)
elsif ip_counter > 2000
render :template => 'test', :status => 401 and return false
end
這段程序只是最簡單的示例，實際的代碼實現(xiàn)我們還會添加很多判斷，比方說我們可能要排除白名單IP地址段，要允許特定的User-Agent通過，要針對登錄用戶和非登錄用戶，針對有無referer地址采取不同的閥值和計數(shù)加速器等等。
此外如果分布式爬蟲爬取頻率過高的話，過期就允許爬蟲再次訪問還是會對服務器造成很大的壓力，因此我們可以添加一條策略：針對要求用戶填寫驗證碼的 IP地址，如果該IP地址短時間內(nèi)繼續(xù)不停的請求，則判斷為爬蟲，加入黑名單，后續(xù)請求全部拒絕掉。為此，示例代碼可以改進一下：
before_filter :ip_firewall, :except => :test
def ip_firewall
render :file => "#{RAILS_ROOT}/public/403.html", :status => 403 if BlackList.include?(ip_sec)
end
我們可以定義一個全局的過濾器，對所有請求進行過濾，出現(xiàn)在黑名單的IP地址一律拒絕。對非黑名單的IP地址再進行計數(shù)和統(tǒng)計：
ip_counter = Rails.cache.increment(request.remote_ip)
if !ip_counter
Rails.cache.write(request.remote_ip, 1, :expires_in => 30.minutes)
elsif ip_counter > 2000
crawler_counter = Rails.cache.increment("crawler/#{request.remote_ip}")
if !crawler_counter
Rails.cache.write("crawler/#{request.remote_ip}", 1, :expires_in => 10.minutes)
elsif crawler_counter > 50
BlackList.add(ip_sec)
render :file => "#{RAILS_ROOT}/public/403.html", :status => 403 and return false
end
render :template => 'test', :status => 401 and return false
end
如果某個IP地址單位時間內(nèi)訪問頻率超過閥值，再增加一個計數(shù)器，跟蹤他會不會立刻填寫驗證碼，如果他不填寫驗證碼，在短時間內(nèi)還是高頻率訪問，就 把這個IP地址段加入黑名單，除非用戶填寫驗證碼激活，否則所有請求全部拒絕。這樣我們就可以通過在程序里面維護黑名單的方式來動態(tài)的跟蹤爬蟲的情況，甚 至我們可以自己寫個后臺來手工管理黑名單列表，了解網(wǎng)站爬蟲的情況。
關(guān)于這個通用反爬蟲的功能，我們開發(fā)一個開源的插件：https://github.com/csdn-dev/limiter
這個策略已經(jīng)比較智能了，但是還不夠好！我們還可以繼續(xù)改進：
1、用網(wǎng)站流量統(tǒng)計系統(tǒng)來改進實時反爬蟲系統(tǒng)
還記得嗎？網(wǎng)站流量統(tǒng)計系統(tǒng)記錄的IP地址是真實用戶訪問IP，所以我們在網(wǎng)站流量統(tǒng)計系統(tǒng)里面也去操作memcached，但是這次不是增加計數(shù) 值，而是減少計數(shù)值。在網(wǎng)站流量統(tǒng)計系統(tǒng)里面每接收到一個IP請求，就相應的cache.decrement(key)。所以對于真實用戶的IP來說，它 的計數(shù)值總是加1然后就減1，不可能很高。這樣我們就可以大大降低判斷爬蟲的閥值，可以更加快速準確的識別和拒絕掉爬蟲。
2、用時間窗口來改進實時反爬蟲系統(tǒng)
爬蟲爬取網(wǎng)頁的頻率都是比較固定的，不像人去訪問網(wǎng)頁，中間的間隔時間比較無規(guī)則，所以我們可以給每個IP地址建立一個時間窗口，記錄IP地址最近 12次訪問時間，每記錄一次就滑動一次窗口，比較最近訪問時間和當前時間，如果間隔時間很長判斷不是爬蟲，清除時間窗口，如果間隔不長，就回溯計算指定時 間段的訪問頻率，如果訪問頻率超過閥值，就轉(zhuǎn)向驗證碼頁面讓用戶填寫驗證碼。
最終這個實時反爬蟲系統(tǒng)就相當完善了，它可以很快的識別并且自動封鎖爬蟲的訪問，保護網(wǎng)站的正常訪問。不過有些爬蟲可能相當狡猾，它也許會通過大量 的爬蟲測試來試探出來你的訪問閥值，以低于閥值的爬取速度抓取你的網(wǎng)頁，因此我們還需要輔助第3種辦法，用日志來做后期的分析和識別，就算爬蟲爬的再慢， 它累計一天的爬取量也會超過你的閥值被你日志分析程序識別出來。
總之我們綜合運用上面的四種反爬蟲策略，可以很大程度上緩解爬蟲對網(wǎng)站造成的負面影響，保證網(wǎng)站的正常訪問。
鄂公網(wǎng)安備 42090202000212號