十分钟解决爬虫问题!超轻量级反爬虫方案

bigsec

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:

  1. 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
  2. 爬虫封禁。当找到爬虫后,想办法去阻断它后续的访问
  3. 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。

一、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:

bigsec

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

二、简单的爬虫封禁

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:

bigsec

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

三、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:

  1. 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
  2. 通过sort 和uniq来获取每个ip出现的次数,并进行降序排列
  3. 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:

  1. 通过awk的正则来过滤出问题agent,并将相应ip输出
  2. 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

  1. 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
  2. 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
  3. 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. ......

四、拼起来

所有模块组合起来,做一个完整的例子。假设:

  1. 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
  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
  3. 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"\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。

五、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:

  1. 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
  2. 更灵活的阻断,需要有多种阻断手段和略复杂的阻断逻辑
  3. 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
  4. 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
  5. 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
  6. 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



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。