【web性能优化】之一：反爬虫策略

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：

1. <script type="text/javascript">$(document).ready(function(){        
   
2.     alertFunTest();
   
3. }
   
4. function alertFunTest() {
   
5.     alert(“异步”);
   
6. }</script >

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: