总有暴徒想爬我网站的数据，看我用这 10 招干他！
各人好，我是步伐员鱼皮。前两天模仿口试一位社招两年的老哥，由于他的体现不错，我就暂时起意，跟他交流一下我们最近遇到的业务场景问题。问题如下：最近我们不是做了个 步伐员刷题网站 - 口试鸭 嘛，有很多暴徒盯上了我们网站，想把我们 4,000 多道口试题、100 多个口试题库的数据都用爬虫抓下来。那我们应该怎样防止这种爬虫行为？比如怎么识别出这些非法爬取数据的用户而且自动封号？
整个问题的交流过程各人可以看视频学习：https://www.bilibili.com/video/BV1b142187Tb
下面我就直接把防止爬虫的方法汇总分享给各人，统共有整整 10 种方法！最后一个方法很独特~
怎样防止网站被爬虫？
1、使用协议条款
robots.txt 是一个放置在网站根目录下的文件，用于告诉搜索引擎的爬虫哪些部门不希望被抓取。
举个例子，可以在 robots.txt 文件中添加如下规则来克制特定目录或文件被抓取：
User-agent: *<br>Disallow: /private/<br>Disallow: /important/固然大多数合规的爬虫会遵守这些规则，但恶意爬虫可能会忽视它，所以，仅凭 robots.txt 不能完全阻止所有爬虫。但它是防护的第一步，起到一个声明和威慑的作用。
可以在网站的服务条款或使用协议中明确克制爬虫抓取数据，并将违反这些条款的行为视为违法，如果网站内容被恶意爬虫抓取并造成了损害，robots.txt 可以作为违反这些条款的证据之一。
2、限制数据获取条件
比起直接暴露所有数据，可以要求用户登录或提供 API 密钥才气访问特定数据。还可以为关键内容设置身份验证机制，比如使用 OAuth 2.0 或 JWT（JSON Web Tokens），确保只有授权用户能够访问敏感数据，有效阻止未经授权的爬虫获取数据。
3、统计访问频率和封禁
可以使用缓存工具如 Redis 分布式缓存或 Caffeine 本地缓存来记录每个 IP 或客户端的请求次数，并设置阈值限制单个 IP 所在的访问频率。当检测到异常流量时，体系可以自动封禁该 IP 所在，或者采取其他的策略。
需要注意的是，固然 Map 也能够统计请求频率，但是由于请求是不断累加的，占用的内存也会持续增长，所以不建议使用 Map 这种无法自动开释资源的数据结构。如果肯定要使用内存进行请求频率统计，可以使用 Caffeine 这种具有数据镌汰机制的缓存技术。
4、多级处理策略
为了防止 “误伤”，比起直接对非法爬虫的客户端进行封号，可以设定一个更灵活的多级处理策略来应对爬虫。比如，当检测到异常流量时，先发出告诫；如果爬虫行为继承存在，则采取更严肃的步伐，如暂时封禁 IP 所在；如果解封后继承爬虫，再进行永久封禁等处罚。
具体的处理策略可以根据实际情况来定制，也不建议搞的太复杂，别因此加重了体系的负担。
5、自动告警 + 人工介入
可以实现自动告警本领，比如在检测到异常流量或爬虫行为时，体系能自动发出企业微信消息通知。然后网站的管理员就可以及时介入，对爬虫的请求进行进一步分析和处理。
这点之前也给各人分享过，不止是针对爬虫，企业的线上体系最好接入全方面的告警，比如接口错误、CPU / 内存占用率过高之类的。
https://pic.yupi.icu/1/image-20240729173020018.png
6、爬虫行为分析
非法爬虫和正常用户的行为一样平常是有区别的，爬虫每每遵循特定的访问模式。比如正常用户每道题目都要看一会儿、看的时间也不一样，而爬虫一样平常是按照固定的顺序、固定的频率来获取题目，很显着就能识别出来。
比如下面这种情况，有可能就是爬虫：
https://pic.yupi.icu/1/image-20240806112610085.png
7、请求头检测
每个发送到服务器的请求都有请求头信息，可以通过检查请求头中的 User-Agent 和 Referer 等标识符，对爬虫请求进行拦截。
当然，这招只能防防菜鸟，因为请求头是可以很轻松地伪造的，只要通过浏览器自带的网络控制台获取到相应正常的请求头信息，就可以绕过检测了。
https://pic.yupi.icu/1/image-20240806112956799.png
8、自主公开数据
记得大学上信息安全课的时候，学到一个知识点：防止网络攻击的一种方法是，让攻击者的成本大于实际的收益。比如密码 10 分钟有效，破解密码要花 15 分钟，就不会有人去破解。
用到爬虫场景上，我们的做法是，不做任何限制，直接让所有人不登录也能查看到我们网站的题目数据！而且还提供了题目的各种筛选功能、收藏功能。大多数同学只是为了自己学习，如许一来，就没有必要花时间去爬数据了~
https://pic.yupi.icu/1/image-20240806113508903.png
9、溯源技术
固然题目都是公开的，但有些我们专门请大厂大佬们来写的优质题解是仅会员可见的。如果有效户使用爬虫抓取了这部门数据，可就要小心了！一样平常来说，只要你在一个网站登录了，就肯定会有访问记录，如果你泄露了网站登录后才可见的内容、尤其是付费内容，网站管理员肯定有办法追溯到你是谁。
比较常用的溯源技术就是水印、盲水印等。对于我们的口试鸭，自己就是通过微信登录的，而且如果你是会员，肯定还有支付记录。这些技术不但资助标记数据源，还可以在数据被滥用时追踪其来源，从而增强数据的掩护。
10、科普法律
除了上面这些方法外，还可以通过接入反爬服务、接入验证码、增加动态时间戳等方式进一步限制爬虫。但是要记取，爬虫是没有办法完美防御的！因为你无法限制真实的用户，攻击者完全可以模仿真实用户的访问方式来获取你的网站数据，比如找 10 个用户，每人获取几百题。
所以我的最后一个方法是 —— 科普法律。可以在网站上发布明确的法律声明，告知用户未经授权的抓取行为是违法的，可以对爬虫行为起到肯定的威慑作用。而且还通过发布视频和文章的方式，让广大步伐员朋友们提高法律意识。爬虫是有肯定风险的，自己学习倒没问题，但是万万别给人家的网站造成压力了，搞欠好就有破坏计算机体系的怀疑了！
https://pic.yupi.icu/1/image-20240730121945226-20240806114829247.png
更多
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]