web性能优化(三)反爬虫策略 [复制链接]

[文章作者:狂奔的鹿(陆松林)本文版本:v1.0  转载请注明原文链接: http://www.cnblogs.com/dynamiclu/ ]

    反爬虫策略,表面上看似乎跟WEB系统优化没有关系,经过分析,发现该策略是可以归到WEB性能优化的系列之中。

    通过分析apache日志发现,某系统40%的带宽和服务器资源都消耗在爬虫上,如果除去10%-15%搜索引擎的爬虫,做好反爬虫策略,能节省20%-25%的资源,其实是变向优化了web系统。

一、爬虫请求与正常用户请求的区别

       爬虫请求是类似httpClient的机制或curl,wget的命令,用户请求一般走浏览器。

    区别:爬虫请求一般不会执行页面里的异步JavaScript操作,而用户请求则执行Jquery提供的异步JavaScript操作,具体如下:
复制代码
代码alert(“异步”)一般不会被爬虫请求执行。

二、分析系统有多少爬虫行为  
    某系统某天的日志分析如下:
  1. cat access20110421.log | wc -l
  2. 2156293
  3. cat  page_access20110421.log | sort | uniq -c | sort -nr | head -n20 
  4. 441421 /读帖页          20.4% 
  5. 374274 /弹出框          17.3% 
  6. 266984 /帖子点击数        12.3% 
  7. 213522 /读取支持数和反支持数        9.9% 
  8. 207269 /其它                 9.6% 
  9. 203567 /帖子列表页        9.4% 
  10. 185138 /刷新功能           8.5% 
  11. 164884 /帖子列表点击      7.6%
复制代码
如上所示,帖子点击数请求是不会被爬虫执行的。

  (读帖页数-帖子点击数)/ 读帖页数=爬虫执行读帖页次数的比例

   (441421 - 266984 )/ 441421=39.6%

   结论:近40% 帖子的读取操作是爬虫行为,读帖占系统85%以上的操作,也就是说近1/3以上的网络和服务器资源在为爬虫服务。

三、请求在不同层面对应的反抓策略

(一)防火墙层面
    通过netstat80端口的tcp连接量判断IP是否非法。

   WEB系统都是走http协议跟WEB容器连通的,每次请求至少会产生一次客户端与服务器的tcp连接。通过netstat命令,就可以查看到当前同时连接服务器所对应的IP以及连接量。
   命令  /bin/netstat -nat -n | grep 80   一般都几百或几千个。
   同一个IP对应的连接数超过我们观察到的一个阀值时,就可判断为非正常的用户请求。阀值设定至关重要,大型网吧或同一个学校、公司出来的IP也可能会被误判为非法请求。
    此策略我写了两个定时脚本去,一个定时封IP( tcpForbidCmd.sh ),一个定时释放IP ( tcpReleaseCmd.sh ),分别是每隔5分钟和40分钟各执行一次tcpForbidCmd.sh参考代码如下:
  1. #!/bin/sh
  2. file=/home/songlin.lu/shell/log/forbid-ips-tmp.log
  3. myIps=/home/songlin.lu/shell/log/noforbid_ips.log
  4. today=`date +'%Y%m%d'`
  5. logForbidIp=/home/songlin.lu/shell/log/forbid-iptables-logs-$today.log
  6. netstatFile=/home/songlin.lu/shell/log/forbid-netstat-nat-tmp.log/bin/netstat -nat -n > $netstatFilenowDate=`date +'%Y-%m-%d %H:%M'`
  7. /bin/awk -F: '/tcp/{a[$(NF-1)]++}END{for(i in a)if(a[i]>90)print i}' $netstatFile > $file
  8. drop_ip=`cat $file |awk '{print $2}'`
  9. for iptables_ip in $drop_ip 
  10.   do  
  11.     if [ $iptables_ip != $0 ] && [ -z "` iptables -L -n | grep DROP | awk '{print$4}'|grep $iptables_ip`" ] && [ -z "` cat $myIps |grep $iptables_ip`"];then   
  12.        /sbin/iptables -A INPUT -s $iptables_ip -p tcp --dport 80 -j DROP 
  13.        echo $iptables_ip >> /home/songlin.lu/shell/log/release-forbid-logs-tmp.log   
  14.        echo '--------------------'$nowDate'----'$iptables_ip >> $logForbidIp  
  15.     fi 
  16.   done
复制代码
文件/home/songlin.lu/shell/log/noforbid_ips.log为白名单列表

tcpReleaseCmd.sh参考代码如下:
  1. #!/bin/sh
  2. today=`date +'%Y%m%d'`
  3. logReleaseIpLog=/home/songlin.lu/shell/log/release-iptables-log-$today.log
  4. iptables=/home/songlin.lu/shell/log/release-iptables-save-tmp.log
  5. tmpFile=/home/songlin.lu/shell/log/release-forbid-logs-tmp.log
  6. /sbin/iptables-save > $iptables
  7. drop_ips=`cat $tmpFile`
  8. nowDate=`date +'%Y-%m-%d %H:%M'`
  9. for iptables_ip1 in $drop_ips 
  10.   do  
  11.     if [ ! -z "`cat $iptables |awk /DROP/'{print $4}' | grep $iptables_ip1`" ]  
  12.       then   
  13.         /sbin/iptables -D INPUT -s $iptables_ip1 -p tcp --dport 80 -j DROP   
  14.         echo '--------------------'$nowDate'----'$iptables_ip1 >> $logReleaseIpLog  
  15.     fi 
  16. done
  17. > $tmpFile
复制代码
此策略相当于给我们的系统设定了门槛,类似公路交通系统内,某马路设定限高4米栏杆,高于4米的车不能在此通行。该策略能预防恶意的或新手写的请求频率不规则的爬虫。

(二)WEB服务器容器层面
    a.User-Agent判断      b. connlimit模块判断

   每个爬虫会声明自己的User-Agent信息,我们可以通过判断爬虫的User-Agent信息来识别,具体查看相关文档

   Apache作connlimit需要mod_limitipconn来实现,一般需要手动编译。

  编辑httpd.conf文件,添加如下配置
  1. ExtendedStatus On
  2. LoadModule limitipconn_module modules/mod_limitipconn.so
  3. < IfModule mod_limitipconn.c >  
  4.    < Location / >   # 所有虚拟主机的/目录          
  5.     MaxConnPerIP  20     # 每IP只允许20个并发连接          
  6.     NoIPLimit image/*  # 对图片不做IP限制    
  7.   < /Location>  
  8. < /IfModule>
复制代码
Nginx作connlimit,限制ip并发数,比较简单
   添加limit_conn  这个变量可以在http, server, location使用  如:limit_conn   one  10; 

(三)日志层面
     
    通过日志和网站流量分析识别爬虫
   用awstats分析服务器日志,用流量统计工具,如Google Analytics来统计IP对应的流量记录,流量统计在网页里面嵌入一段js代码。把统计结果和流量统计系统记录的IP地址进行对比,排除真实用户访问IP,再排除我们希望放行的网页爬虫,比如Google,百度,youdao爬虫等。最后的分析结果就得到爬虫的IP地址。
   
(四)程序层面
    时时反爬虫过滤机制
   实现起来也比较简单,我们可以用memcached或本地内存来做访问计数器,在缓存过期之前的时间段内(如3分钟),每个IP访问一次,计数器加1,缓存的KEY包括IP,通过计数器得到的值,判断超过一个阀值,这个IP很可能有问题,那么就可以返回一个验证码页面,要求用户填写验证码。如果是爬虫的话,当然不可能填写验证码,就被拒掉了,保护了后端的资源。
    阀值的设定也是很重要的,不同的系统不一样。

    我们将这个过滤机制改进一下,将更加准确。 即我们在网页的最下面添加一个JS的异步请求,此异步请求用来减计数器的值,进页面时对IP进行加值,出页面时减值,生成一个差值。 根据我们之前的分析,爬虫不会执行异步JS减值请求。 这样可以从生成的值的大小上判断这个IP是否为爬虫。

     程序逻辑如下图所示:


[文章作者:狂奔的鹿(陆松林)本文版本:v1.0  转载请注明原文链接: http://www.cnblogs.com/dynamiclu/ ]

你可能感兴趣的:(Python学习)