长亭百川云 - 文章详情

总有坏人想爬我网站的数据,看我怎么干他!

鱼皮

69

2024-08-06

大家好,我是程序员鱼皮。前两天模拟面试一位社招两年的老哥,由于他的表现不错,我就临时起意,跟他交流一下我们最近遇到的业务场景问题。问题如下:

最近我们不是做了个 程序员刷题网站 - 面试鸭 嘛,有很多坏人盯上了我们网站,想把我们 4,000 多道面试题、100 多个面试题库的数据都用爬虫抓下来。那我们应该如何防止这种爬虫行为?比如怎么识别出这些非法爬取数据的用户并且自动封号?

整个问题的交流过程大家可以看视频学习:https://www.bilibili.com/video/BV1b142187Tb

下面我就直接把防止爬虫的方法汇总分享给大家,总共有整整 10 种方法!最后一个方法很独特~

如何防止网站被爬虫?

1、使用协议条款

robots.txt 是一个放置在网站根目录下的文件,用于告诉搜索引擎的爬虫哪些部分不希望被抓取。

举个例子,可以在 robots.txt 文件中添加如下规则来禁止特定目录或文件被抓取:

`User-agent: *   Disallow: /private/   Disallow: /important/   `

虽然大多数合规的爬虫会遵守这些规则,但恶意爬虫可能会忽视它,所以,仅凭 robots.txt 不能完全阻止所有爬虫。但它是防护的第一步,起到一个声明和威慑的作用。

可以在网站的服务条款或使用协议中明确禁止爬虫抓取数据,并将违反这些条款的行为视为违法,如果网站内容被恶意爬虫抓取并造成了损害,robots.txt 可以作为违反这些条款的证据之一。

2、限制数据获取条件

比起直接暴露所有数据,可以要求用户登录或提供 API 密钥才能访问特定数据。还可以为关键内容设置身份验证机制,比如使用 OAuth 2.0 或 JWT(JSON Web Tokens),确保只有授权用户能够访问敏感数据,有效阻止未经授权的爬虫获取数据。

3、统计访问频率和封禁

可以利用缓存工具如 Redis 分布式缓存或 Caffeine 本地缓存来记录每个 IP 或客户端的请求次数,并设置阈值限制单个 IP 地址的访问频率。当检测到异常流量时,系统可以自动封禁该 IP 地址,或者采取其他的策略。

需要注意的是,虽然 Map 也能够统计请求频率,但是由于请求是不断累加的,占用的内存也会持续增长,所以不建议使用 Map 这种无法自动释放资源的数据结构。如果一定要使用内存进行请求频率统计,可以使用 Caffeine 这种具有数据淘汰机制的缓存技术。

4、多级处理策略

为了防止 “误伤”,比起直接对非法爬虫的客户端进行封号,可以设定一个更灵活的多级处理策略来应对爬虫。比如,当检测到异常流量时,先发出警告;如果爬虫行为继续存在,则采取更严厉的措施,如暂时封禁 IP 地址;如果解封后继续爬虫,再进行永久封禁等处罚。

具体的处理策略可以根据实际情况来定制,也不建议搞的太复杂,别因此加重了系统的负担。

5、自动告警 + 人工介入

可以实现自动告警能力,比如在检测到异常流量或爬虫行为时,系统能自动发出企业微信消息通知。然后网站的管理员就可以及时介入,对爬虫的请求进行进一步分析和处理。

这点之前也给大家分享过,不止是针对爬虫,企业的线上系统最好接入全方面的告警,比如接口错误、CPU / 内存占用率过高之类的。

6、爬虫行为分析

非法爬虫和正常用户的行为一般是有区别的,爬虫往往遵循特定的访问模式。比如正常用户每道题目都要看一会儿、看的时间也不一样,而爬虫一般是按照固定的顺序、固定的频率来获取题目,很明显就能识别出来。

比如下面这种情况,有可能就是爬虫:

7、请求头检测

每个发送到服务器的请求都有请求头信息,可以通过检查请求头中的 User-Agent 和 Referer 等标识符,对爬虫请求进行拦截。

当然,这招只能防防菜鸟,因为请求头是可以很轻松地伪造的,只要通过浏览器自带的网络控制台获取到响应正常的请求头信息,就可以绕过检测了。

8、自主公开数据

记得大学上信息安全课的时候,学到一个知识点:防止网络攻击的一种方法是,让攻击者的成本大于实际的收益。比如密码 10 分钟有效,破解密码要花 15 分钟,就不会有人去破解。

用到爬虫场景上,我们的做法是,不做任何限制,直接让所有人不登录也能查看到我们网站的题目数据!而且还提供了题目的各种筛选功能、收藏功能。大多数同学只是为了自己学习,这样一来,就没有必要花时间去爬数据了~

9、溯源技术

虽然题目都是公开的,但有些我们专门请大厂大佬们来写的优质题解是仅会员可见的。如果有用户使用爬虫抓取了这部分数据,可就要小心了!一般来说,只要你在一个网站登录了,就一定会有访问记录,如果你泄露了网站登录后才可见的内容、尤其是付费内容,网站管理员一定有办法追溯到你是谁。

比较常用的溯源技术就是水印、盲水印等。对于我们的面试鸭,本身就是通过微信登录的,而且如果你是会员,肯定还有支付记录。这些技术不仅帮助标记数据源,还可以在数据被滥用时追踪其来源,从而增强数据的保护。

10、科普法律

除了上面这些方法外,还可以通过接入反爬服务、接入验证码、增加动态时间戳等方式进一步限制爬虫。但是要记住,爬虫是没有办法完美防御的!因为你无法限制真实的用户,攻击者完全可以模拟真实用户的访问方式来获取你的网站数据,比如找 10 个用户,每人获取几百题。

所以我的最后一个方法是 —— 科普法律。可以在网站上发布明确的法律声明,告知用户未经授权的抓取行为是违法的,可以对爬虫行为起到一定的威慑作用。并且还通过发布视频和文章的方式,让广大程序员朋友们提高法律意识。爬虫是有一定风险的,自己学习倒没问题,但是千万别给人家的网站造成压力了,搞不好就有破坏计算机系统的嫌疑了!

👇🏻 点击下方阅读原文,获取鱼皮往期编程干货。

往期推荐

[

鱼皮的原创项目,越来越丰富了!

](https://mp.weixin.qq.com/s?__biz=MzI1NDczNTAwMA==&mid=2247564054&idx=3&sn=820a4b64abba479be586efd7c41c955c&chksm=e9c31ce1deb495f704f62876d5c3bd62f90ed3447571a01f6ce039678e8add041e4640e108b7&scene=21#wechat_redirect)

[

鱼皮的 Java 学习路线《速览版》

](https://mp.weixin.qq.com/s?__biz=MzI1NDczNTAwMA==&mid=2247563524&idx=3&sn=b25931d4e5b57a5f3f3d484bb279fbff&chksm=e9c31ef3deb497e5fe37120b06f4d7e0beb0b24e111f8e4fdeaa46bf6aecf332eef3ea529dbb&scene=21#wechat_redirect)

[

我用这个程序员面试刷题工具,吊打了面试官!

](https://mp.weixin.qq.com/s?__biz=MzI1NDczNTAwMA==&mid=2247563983&idx=3&sn=b14b12e97207f2ff6718e515826f7d0b&chksm=e9c31d38deb4942e58fa2c52ff44b80d03fe6af06d43d9a28e2245472d9570da0ab13c8cb586&scene=21#wechat_redirect)

[

我用这个工具,一分钟搞定了简历!

](https://mp.weixin.qq.com/s?__biz=MzI1NDczNTAwMA==&mid=2247563996&idx=3&sn=e65b365b61b3eb485fedbafad0a3fdbb&chksm=e9c31d2bdeb4943d276d835ed379a599741029166e2a966caf8c695c59e66411b58ea3413352&scene=21#wechat_redirect)

[

鱼皮的保姆级写简历指南,免费领

](https://mp.weixin.qq.com/s?__biz=MzI1NDczNTAwMA==&mid=2247563922&idx=3&sn=2d0d486daca5a8e44dcea07e12b9ba74&chksm=e9c31d65deb49473b3340725f1baf5940b0dc85bb6aa9b2f56c0512d1b48f87c966cef483dcb&scene=21#wechat_redirect)

[

被 Bug 折磨疯后,我写了本 Bug 修复手册。

](https://mp.weixin.qq.com/s?__biz=MzI1NDczNTAwMA==&mid=2247563282&idx=3&sn=9f1fae5c11f8a9eb1bc8d6ab2ff1a204&chksm=e9c31fe5deb496f3a5bcd8488c305bf5083ee9f1febf464bd997e57bf5f9e01e870c9fedd753&scene=21#wechat_redirect)

编程导航,即将大升级!

相关推荐
关注或联系我们
添加百川云公众号,移动管理云安全产品
咨询热线:
4000-327-707
百川公众号
百川公众号
百川云客服
百川云客服

Copyright ©2024 北京长亭科技有限公司
icon
京ICP备 2024055124号-2