Python反爬蟲設計

胡立

隨著大數(shù)據(jù)時代的來臨，無論是個人還是企業(yè)，對于數(shù)據(jù)的需求都越來越大。這種需求催生了如今異常熱門的數(shù)據(jù)產業(yè)，也催生了日益完善的網絡數(shù)據(jù)采集技術。這種需求擴大的同時也讓網絡爬蟲日益猖獗，甚至影響到了網站和APP的正常運行，高頻的網絡爬蟲行為無異于分布式拒絕服務（DDoS）攻擊。

為什么要反爬蟲

在設計反爬蟲系統(tǒng)之前，我們先來看看爬蟲會給網站帶來什么問題？

本質上來說，互聯(lián)網上可以供人們?yōu)g覽、查看和使用的網站及其網站上的數(shù)據(jù)，都是公開和允許獲取的，所以并不存在所謂的非法授權訪問問題。

爬蟲程序訪問網頁和人訪問網頁沒有本質區(qū)別，都是由客戶端向網站服務器發(fā)起HTTP請求，網站服務器接收到請求之后將內容響應返回給客戶端。只要是發(fā)起請求，網站服務器必然要進行響應，那必然要消耗服務器的資源。

網站的訪問者與網站之間是互惠互利的關系，網站為訪問者提供了自己所需要的必要信息和服務，而訪問者也為網站帶來了流量、訪客和活躍度。所以網站的所有者愿意消耗服務器的帶寬、磁盤和內存，為訪問者提供服務。

而爬蟲程序呢？無異于“吃白食”，成倍地消耗網站服務器資源、占用服務器帶寬，卻不會為網站帶來一絲的利益，甚至還會有損于網站本身。

識別爬蟲

既然討厭爬蟲，就要將爬蟲拒之于網站之外，但是要拒絕爬蟲的訪問，首先當然要識別出網絡訪問者中的爬蟲程序，那么如何識別呢？

1. HTTP請求頭

這算是最基礎的網絡爬蟲識別，正常的網絡訪問者都是通過瀏覽器對網站進行訪問的。而瀏覽器都會帶上自己的請求頭以表明自己的基礎信息。而這也是最容易被爬蟲程序突破的識別手段，因為HTTP請求頭誰都可以進行修改和偽造。

2. Cookie值

Cookie通常用來標識網站訪問者的身份，就像一張臨時憑證，憑借這個憑證與網站服務器進行身份校對，由于Cookie是保存在客戶端的數(shù)據(jù)，因此也可以被修改和偽造。

3.訪問頻率

如果一個訪問者，每隔1 s請求訪問一次網站的某個頁面，或者一秒鐘請求了幾百次這個頁面。這個訪問者就很可能是爬蟲程序，試問有誰能如此快速頻繁地點擊鼠標訪問一個頁面？

通過訪問頻率識別爬蟲程序是可行的，但是爬蟲程序也能通過使用大量的代理IP來實現(xiàn)一個IP地址只訪問一次的效果，還可以通過隨機的請求時間間隔規(guī)避識別。

4.鼠標行為軌跡

正常人類訪問者瀏覽網頁勢必不會像機器一樣，機械地移動和點擊鼠標。而鼠標的移動和點擊，是可以通過JS腳本捕獲的，所以可以通過判斷訪問者的鼠標行為軌跡來判斷訪問者是否為爬蟲程序。

5. token值

現(xiàn)在很多網站都是前后端分離開發(fā)的，數(shù)據(jù)通過后端接口返回給前端，前端拿到數(shù)據(jù)再結合頁面進行渲染，所以很多爬蟲程序都直接找數(shù)據(jù)接口，而不是請求頁面。token用在驗證這些后端數(shù)據(jù)接口上，一般通過網頁上的某個密鑰加上時間和某些數(shù)據(jù)組合加密而成。

但遺憾的是，上述任何一種識別爬蟲的手段，都有可能被爬蟲繞過和突破。

拒絕爬蟲

就像沒有一勞永逸的網站安全防護一樣，10年前把3389端口一關，就能防止服務器成為肉雞，如今各種防火墻、安全措施都加上了，還有可能因為某個0Day漏洞被勒索。

爬蟲與反爬蟲之間，也永遠都在斗爭和升級，所不同的是，網絡攻防是放開手腳的無限制級格斗，而反爬蟲則是帶著拳套和頭盔的拳擊比賽。

網站為了運營，勢必要對外開放內容，而開放的內容就像是飄忽在非洲大草原的腐肉，吸引著鬣狗的到來，在開放內容和避免淪為爬蟲的數(shù)據(jù)礦池之間平衡，是一個難事。

1.內容上限制內容的開放

開放的內容是獲取用戶、流量的基礎。但是內容的開放并不是無限制的，非注冊用戶可以看到一篇內容、兩篇內容，但是不能無限制地看到內容。這個限制，可以是要求登錄、掃碼驗證或者接入谷歌驗證碼之類的點擊驗證機制。

現(xiàn)在越來越多的網站采用了有限內容開放的機制，比如微博、知乎和淘寶等，游客可以看到1～2頁的內容，但是如果還想繼續(xù)，請先登錄。

2.行為上記錄用戶操作

需要訪問者進行登錄并不能解決問題，因為模擬登錄一直是網絡爬蟲程序的一個熱門發(fā)展分支，無論是圖片驗證碼、拼圖、滑塊還是點選漢字，都會被突破。甚至于短信驗證碼都可以通過編寫APP與爬蟲程序和網站之間進行通信。

所以記錄用戶行為必不可少，用戶的一切操作和訪問行為都需要記錄在案，這是分析和處理爬蟲的基礎。

3.控制上嚴厲打擊高頻行為

從實際來看，也有很多爬蟲程序的運行并非是為了往死里薅網站的數(shù)據(jù)和內容，其僅是為了方便進行手工收集和整理工作，這種類型的爬蟲行為一般會比人工瀏覽的頻次要高，但是又明顯低于鬣狗般的高頻爬蟲，對這種類型的爬蟲行為可以忽略。

但是對于影響網站服務器運行的高頻爬蟲行為，必須采取措施，結合用戶和IP信息，對相關用戶或IP進行處理。

4.協(xié)議里申明權利

網站的所有者必須在網站協(xié)議或用戶協(xié)議中申明，允許正常的瀏覽、訪問和數(shù)據(jù)獲取，對于異常、高頻和威脅網站服務器穩(wěn)定的行為，將保留進一步處理的權利。

沒有一個城池是固若金湯的，也沒有一個措施可以阻擋所有瘋狂的爬蟲。面對爬蟲的行為，利用各種技術建立一個行之有效的識別、分級和處理機制，才能同時兼顧網站的開放和穩(wěn)定。