如何防止网站关键数据被人恶意采集

昨天晚上花了几个小时用Jsoup写了一个网站采集器，帮一个高中同学采集了一个工业信息门户上的芯片待售信息。网站上显示的数据多达60w+条， 我写的程序跑了7个小时只采集了一半，算是可以交差了。

 

这已经是我第二次写这种采集器了。之前在做波菜网的时候，写过一个更复杂的。当时网站上线以后苦于没有原生态的内容，我就写了一个采集器从“百度身边”采集各大城市的餐馆和菜品信息，并通过google地图的接口获取餐馆的地理位置，然后转存到我们自己的网站上。

 

我 必须承认，做这些事儿都是不光彩的，属于不劳而获，弄不好还得背上法律责任。但是在国内这个互联网的环境下，这种小规模的数据采集想上升到法律层面去禁 止，还是不切实际的。那么从一个网站的开发或者运营的角度，如何来防范别人的恶意采集呢？如何做到在防范的同时又不影响搜索引擎的蜘蛛的采集工作呢？

 

从我个人的采集经验来看，我觉得这种防御可以从两个方面着手。

 

1. 服务器端的配置。 至少可以通过防火墙来屏蔽某些ip的高频率访问，或者在web服务器设置规则来禁止关键页面被某些ip高频请求。也可以先通过防火墙设置预警机制，一旦发 现异常立即通知web服务器采取屏蔽措施。不管是专业的采集器还是像我的这种纯代码级别的采集，最基本的原理就是模拟用户浏览网站行为，发送http请求 到网站的server，然后解析返回的结果。出于效率起见这种采集行为都有几个共同的特点。一是发出请求的ip地址比较固定，二是请求的频率比较稳定，三 是访问的页面也比较固定。防火墙的设置可以基于前面两个特征，web服务器的过滤规则可以基于后面两个特征。当然这些措施只是从物理层面的防御，放不了真 正的高手。我在我的采集器里面实现的多线程采集，就会把采集频率用随机时间来控制，也就是发送采集请求的频率是随机的，有可能是3秒钟一次，有可能是2秒 钟一次。另外如果我是黑客，我可以发动多个ip的肉机来发送请求。总之一句话，服务器上的防御，防得了君子，防不了高级的小人，但是有总比没有好。
2. 代码级别的防御。采集器可以模拟浏览器大部分的行为，但是肯定有模仿不到的地方。比如说带参数的ajax请求。从我的经验来看，你至少可以在通过以下三种方式来优化你的代码，以防止恶意采集。
   1>  关键信息通过ajax请求来获取，最好是需要带有临时token作为参数的请求。网站在发布的时候需要做javascript代码压缩和混淆，这样程序人 员就很难通过阅读代码或者捕获请求来建立模拟采集。这里说的关键信息，是指那种对业界同行来说比较重要的信息，比如说价格等。除了这些关键信息以为的信息 就最好不要用ajax请求来显示了，那样不利于SEO优化，搜索引擎的蜘蛛也不能模拟如此复杂ajax请求。另外如果有分页，一定要用ajax请求来分 页。具体例子可以看看花瓣网的首页。至于通过表单请求来获取数据，有些采集器已经能模拟带session或者cookie信息的表单请求了，至少Jsoup是可以做到的。
   2>  关键信息通过图片来显示。这种是技术含量比较低的防御了，唯一的好处是有利于SEO优化，因为图片通过alt来携带更加丰富的信息。京东的商品价格就是用 图片来显示的，采集器采集到的价格信息需要做OCR文字识别，如果在图片的格式做些手脚或者加入混淆信息，那别人采集过去的信息准确度就会大大降低。另外 通过图片来显示的另外一个好处就是可以把图片服务器独立出来，然后通过防火墙设置来只允许来自已知域名的请求。
   3>  网页代码结构化混淆。简单的说就是关键信息的显示不是规律性的。这种做法对网站开发人员要求比较高。毕竟html是一种结构化的语言，想要通过不规律的 html标签勾勒出美观的结构化界面是比较难的，但不是不可能。比如说同一张页面的上商品价格列表，你可以随机用div,li,span等这些文字标签来 封装，然后通过定制css来达到规范布局。不同的页面（分页）上价格列表，最顶层的div的id或者class不一样，而且跟其他页面的的id无规律可 循。这样做可以让采集程序很难发掘到采集的规律，那么采集的难度就大大加大了，即使能采集，效率也会相当低下。这种做法基本上不影响SEO优化。

不过话说回来，不管你采取哪种防御措施，想防住真正的高手是不可能的，只要能防住98%的人就可以了。剩下的那2%，你如果发现你的数据被采集了，就采取法律措施吧。前段时间大众点评起诉“食神摇一摇”抄袭数据，就是一个很好的例子。

 

原文： http://www.wptree.com/?p=646

justcode.ikeepstudying.com