十分钟解决爬虫问题！超轻量级反爬虫方案
作者介绍
陆文，岂安科技联合创始人，首席产品技术官
曾担任PayPal资深高级工程师。参与岂安科技所有产品线的架构和设计，带领团队在数据挖掘、多媒体分析、跨数据中心分布式系统、高性能实时大数据计算、海量数据采集等领域进行前沿研究和产品化，推动岂安成为 国内领先的大数据解决方案提供商。
爬虫和反爬虫日益成为每家公司的标配系统。
爬虫在情报获取、虚假流量、动态定价、恶意攻击、薅羊毛等方面都能起到很关键的作用，所以每家公司都或多或少的需要开发一些爬虫程序，业界在这方面的成熟的方案也非常多。
有矛就有盾，每家公司也相应的需要反爬虫系统来达到数据保护、系统稳定性保障、竞争优势保持的目的。
然而，一方面防守这事ROI不好体现，另一方面反爬虫这种系统，相对简单的爬虫来说难度和复杂度都要高很多，往往需要一整套大数据解决方案才能把事情做好，因此只有少量的公司可以玩转起来。当出现问题的时候，很多公司往往束手无策。
本文将描述一种尽量简单的反爬虫方案，可以在十几分钟内解决部分简单的爬虫问题，缓解恶意攻击或者是系统超负荷运行的状况。整套方案会尽量简单易懂，不会涉及到专门的程序开发，同时尽量利用现有的组件，避免额外组件的引入。内容上主要分为三大部分：
访问数据获取。采集用户的访问数据，用来做爬虫分析的数据源
爬虫封禁。当找到爬虫后，想办法去阻断它后续的访问
爬虫分析。示例通过简单策略来分析出爬虫
至于复杂的爬虫以及更精准的防御，另外讨论。
1简单的数据获取
数据获取是做好反爬虫系统的关键，常见的几种模式：
|
方案 |
优点 |
缺点 |
成本 |
|
应用内部埋点吐数据 |
最精确的数据，可以实现业务相关数据的分析 |
开发成本高 |
极高 |
|
中间件吐数据 |
精确的数据，部分业务相关的数据分析 |
开发成本较高 |
较高 |
|
访问日志(nginx/apache) |
配置简单，开源的现成方案较多 |
只能取到部分数据 |
低 |
|
全流量镜像和分析（最佳） |
最精确的数据，可以实现业务相关的分析，同时旁路系统，不影响生产 |
技术难度和开发成本高 |
较高 |
本篇采用nginx的日志方式，这种只需要通过对常见的nginx最简单的配置就能从远程获取相应的访问日志。
官方nginx配置：
log_format warden '" "$remote_addr" "$remote_port" "$server_addr" "$server_port" "$request_length" "$content_length" "$body_bytes_sent" "$request_uri" "$host" "$http_user_agent" "$status" "$http_cookie" "$request_method" "$http_referer" "$http_x_forwarded_for" "$request_time" "$sent_http_set_cookie" "$content_type" "$upstream_http_content_type" "$request_body"n';
access_log syslog:server=127.0.0.1:9514 warden ;
tengine配置（编译时带上--with-syslog）
log_format warden '" "$remote_addr" "$remote_port" "$server_addr" "$server_port" "$request_length" "$content_length" "$body_bytes_sent" "$request_uri" "$host" "$http_user_agent" "$status" "$http_cookie" "$request_method" "$http_referer" "$http_x_forwarded_for" "$request_time" "$sent_http_set_cookie" "$content_type" "$upstream_http_content_type" "$request_body"n';
access_log syslog:user::127.0.0.1:9514 warden ;
这里面需要注意的是：
-
由于较老的nginx官方版本不支持syslog，所以tengine在这块功能上做了单独的开发（需要通过编译选项来启用），在不确定的情况下，请修改配置 文件后先使用（nginx -t）来测试一下，如果不通过，需要重新在configure时加上syslog选项，并编译
-
尽量获取了跟爬虫相关的数据字段，如果有定制的http header，可以自行加上
-
采用udp方式来发送syslog，可以将访问日志发送给远端分析服务，同时udp的方式保证nginx本身不会受到影响
-
访问日志拿不到响应的具体内容（nginx有办法搞定，但有代价），无法支持业务相关的防护
2简单的数据封禁
反爬虫最后的生效，需要靠合理的封禁模式，这里比较几种模式：
|
方案 |
优点 |
缺点 |
支持的封禁类型 |
成本 |
|
应用内部埋点阻断 （框架实现为佳） |
灵活性强，可以做各种阻断策略 |
成本非常高 |
所有的封禁类型 |
高 |
|
中间件（如nginx）封禁（最佳） |
灵活性强，nginx通过lua可以实现各种阻断方案 |
架构需要支持，运维水平较高 |
大部分封禁类型 （ip/设备，用户不确定） |
中 |
|
硬件防火墙 |
容易操作和实现，性能也最好 |
需要硬件；灵活性差，只能封直连IP；且自动化不方便 （无法应对ip在http流量里的情况，如XFF header） |
只支持直连ip |
低 |
|
iptables |
容易操作和实现，性能良好 |
灵活性差，只能封直连IP；且自动化不方便 （无法应对ip在http流量里的情况，如XFF header） |
只支持直连ip |
低 |
本段将介绍基于iptables的方案，虽然适用范围较小，但是依赖少，可以通过简单配置linux就能达到效果。
第一步
安装ipset。ipset扩充了iptables的基本功能，可以提供更加高效的访问控制
# centos 6.5上面安装非常简单
sudo yum install -y ipset
第二步
在iptables中建立相应的ipset，来进行访问权限的封禁
# 新增用于封禁的ipset
sudo ipset -N --exist warden_blacklist iphash
# 增加相应的iptables规则
sudo iptables -A INPUT -m set --set warden_blacklist src -j DROP
# 保存iptables
sudo service iptables save
第三步
获取当前封禁的ip黑名单，并导入到iptables里面去
sudo ipset --exist destroy warden_blacklist_tmp; sudo ipset -N warden_blacklist_tmp iphash; echo "1.1.1.1,2.2.2.2" | tr , "n" | xargs -n 1 -I {} sudo ipset -A warden_blacklist_tmp {} ; sudo ipset swap warden_blacklist_tmp warden_blacklist
这里为了尽可能的提升效率，作了以下事情：
-
建立临时ipset，方便做操作
-
将当前封禁黑名单中的ip提取出来，加入到此ipset（示例中用了最简单的echo来展示，实际可相应调整）
-
将ipset通过原子操作与iptables正在使用的ipset作交换，以最小的代价将最新的黑名单生效
3简单的爬虫策略
要能精确的分析爬虫，需要强大的数据分析平台和规则引擎，来分析这个IP/设备/用户分别在短时间区间/长时间范围里的行为特征和轨迹。
这里涉及到了非常复杂的数据系统开发，本文将通过简单的shell脚本描述比较简单的规则。
例子1
封禁最近100000条中访问量超过5000的ip
nc -ul 9514 | head -100000 | awk -F '" "' '{print $2}' | sort | uniq -c | sort -nr | awk '$1>=5000 {print $2}'
这里面：
-
udp服务监听nginx发过来的syslog消息，并取10000条，找到其中每条访问记录的ip
-
通过sort 和uniq来获取每个ip出现的次数，并进行降序排列
-
再通过awk找到其中超过阈值的ip，这就得到了我们所需要的结果
例子2
封禁最近100000条中user agent明显是程序的ip
nc -ul 9514 | head -100000 | awk -F '" "' '$10 ~ /java|feedly|universalfeedparser|apachebench|microsoft url control|python-urllib|httpclient/ {print $2}' | uniq
这里面：
-
通过awk的正则来过滤出问题agent，并将相应ip输出
-
关于agent的正则表达式列出了部分，可以根据实际情况去调整和积累
当然，这里只是列举了简单的例子，有很多的不足之处
-
由于只采用了shell，规则比较简单，可以通过扩展awk或者其他语言的方式来实现更复杂的规则
-
统计的窗口是每100000条，这种统计窗口比较粗糙，好的统计方式需要在每条实时数据收到是对过去的一小段时间（例如5分钟）重新做统计计算
-
不够实时，无法实时的应对攻击行为；生产环境中，需要毫秒级的响应来应对高级爬虫
-
......
4拼起来
所有模块组合起来，做一个完整的例子。假设：
-
负载均衡192.168.1.1，使用了官方nginx，并配置了syslog发往192.168.1.2
-
192.168.1.2启动nc server，每隔一段时间进行分析，找出问题ip，并吐给192.168.1.1
-
192.168.1.1通过iptables进行阻拦，数据来源于192.168.1.2的分析机器
除了nginx配置和iptables基本配置，前几段的配置略作改动：
### nginx [email protected]
log_format warden '" "$remote_addr" "$remote_port" "$server_addr" "$server_port" "$request_length" "$content_length" "$body_bytes_sent" "$request_uri" "$host" "$http_user_agent" "$status" "$http_cookie" "$request_method" "$http_referer" "$http_x_forwarded_for" "$request_time" "$sent_http_set_cookie" "$content_type" "$upstream_http_content_type" "$request_body"n';
access_log syslog:server=192.168.1.2:9514 warden ;
### 分析@192.168.1.2, 增加了结果会吐，同时每隔60分钟跑一次，把数据返回给192.168.1.1
while true ; do nc -ul 9514 | head -100000 | awk -F '" "' '{print $2}' | sort | uniq -c | sort -nr | awk '$1>=5000 {print $2}' | tr 'n' ',' | awk '{print $0}' | socat - UDP:192.168.1.1:9515 ; sleep 3600 ; done
### 阻断@192.168.1.1
#基础配置
sudo ipset -N --exist warden_blacklist iphash
sudo iptables -A INPUT -m set --set warden_blacklist src -j DROP
sudo service iptables save
#动态接收并更新iptables
while true ; do sudo ipset --exist destroy warden_blacklist_tmp; sudo ipset -N warden_blacklist_tmp iphash; socat UDP-LISTEN:9515 - | tr , "n" | xargs -n 1 -I {} sudo ipset -A warden_blacklist_tmp {} ;sudo ipset swap warden_blacklist_tmp warden_blacklist ; sudo ipset list ; done
以上只是简单示例，实际中还是建议换成shell脚本。
5总结
本文列出一种简单的反爬虫方案，由于过于简单，可以当做概念示例或者是救急方案。
如果需要进一步深化，需要在以下方面去加强：
-
强化数据源，可以通过流量获得全量数据。目前爬虫等网络攻击逐渐转向业务密切相关的部分，往钱的方向靠近，所以需要更多的业务数据去支撑，而不仅仅是访问日志
-
更灵活的阻断，需要有多种阻断手段和略复杂的阻断逻辑
-
除却ip，还需要考察用户、设备指纹等多种追踪方式，应对移动环境和ipv6环境下，“IP”这一信息的力不从心
-
强化规则引擎和模型，需要考察更多用户行为的特征，仅仅从频率等手段只等应对傻爬虫，同时会造成误杀率更高
-
建立数据存储、溯源、统计体系，方便分析人员去分析数据并建立新的模型和规则。反爬虫是一件持续性行为，需要良好的平台来支撑
-
可以根据实际需要去做好反爬虫系统的集成。比如nginx数据-->反爬系统-->nginx阻断；F5数据-->反爬系统-->F5阻断