十分钟解决爬虫问题！超轻量级反爬虫方案

摘要：爬虫和反爬虫日益成为每家公司的标配系统。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至于复杂的爬虫以及更精准的防御，需要另外讨论。

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；至于复杂的爬虫以及更精准的防御，需要另外讨论。

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

数据获取是做好反爬虫系统的关键，常见的几种模式

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"
";
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"
";
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在这块功能上做了多带带的开发（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

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：
 

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。

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

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

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 , "
" | 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

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

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。

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

.......

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 conf@192.168.1.1
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"
";
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 "
" "," | 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 , "
" | 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
 

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

反爬虫
文章来源：http://bigsec.com/

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，在可信计算，计算机风控等领域有深入的理论研究和成果；并在防欺诈和风险监控行业有多年且深厚的工作经历，擅长分布式系统和实时大数据计算。他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，帮助客户更好的解决内部的安全和风控问题。