恶意爬虫？能让恶意爬虫遁于无形的小Tips

前言

验证码是阻挡机器人攻击的有效实践，网络爬虫，又被称为网络机器人，是按照一定的规则，自动地抓取网络信息和数据的程序或者脚本。如何防控，这里简单提供几个小Tips。

使用nginx的自带功能

通过对httpuseragent阻塞来实现，包括GET/POST方式的请求，以nginx为例。

拒绝以wget方式的httpuseragent，增加如下内容：

1Block http user agent - wget
2if ($http_user_agent ~* (Wget) ) {
3    return 403;
4}

如何拒绝多种httpuseragent，内容如下：

1if ($http_user_agent ~ (agent1|agent2|Foo|Wget|Catall Spider|AcoiRobot) ) {
2    return 403;
3}

限制User-Agent字段

User-Agent字段能识别用户所使用的操作系统、版本、CPU、浏览器等信息，如果请求来自非浏览器，就能识别其为爬虫，阻止爬虫抓取网站信息。

限制IP或账号

根据业务需求，要求用户通过验证码后才能使用某些功能或权限。当同一IP、同一设备在一定时间内访问网站的次数，系统自动限制其访问浏览。只有在输入正确的验证码之后才能继续访问。

验证码拦截

在登录页等页面，添加验证码，以识别是正常流量还是恶意爬虫，也是一种基本的操作。

HTML代码：

1<script src="captcha.js?appid=xxx"></script>
2<script>
3kg.captcha({
4    // 绑定元素，验证框显示区域
5    bind: "#captchaBox3",
6    // 验证成功事务处理
7    success: function(e) {
8        console.log(e);
9        document.getElementById('kgCaptchaToken').value = e['token']
10    },
11    // 验证失败事务处理
12    failure: function(e) {
13        console.log(e);
14    },
15    // 点击刷新按钮时触发
16    refresh: function(e) {
17        console.log(e);
18    }
19});
20</script>
21
22<div id="captchaBox3">载入中 ...</div>
23<input type="hidden" name="kgCaptchaToken" value="" />

Python代码：

1from wsgiref.simple_server import make_server
2from KgCaptchaSDK import KgCaptcha
3def start(environ, response):
4    # 填写你的 AppId，在应用管理中获取
5    AppID = "xxx"
6    # 填写你的 AppSecret，在应用管理中获取
7    AppSecret = "xxx"
8    request = KgCaptcha(AppID, AppSecret)
9    # 填写应用服务域名，在应用管理中获取
10    request.appCdn = "https://cdn.kgcaptcha.com"
11    # 请求超时时间，秒
12    request.connectTimeout = 10
13    # 用户id/登录名/手机号等信息，当安全策略中的防控等级为3时必须填写
14    request.userId = "kgCaptchaDemo"
15    # 使用其它 WEB 框架时请删除 request.parse，使用框架提供的方法获取以下相关参数
16    parseEnviron = request.parse(environ)
17    # 前端验证成功后颁发的 token，有效期为两分钟
18    request.token = parseEnviron["post"].get("kgCaptchaToken", "")  # 前端 _POST["kgCaptchaToken"]
19    # 客户端IP地址
20    request.clientIp = parseEnviron["ip"]
21    # 客户端浏览器信息
22    request.clientBrowser = parseEnviron["browser"]
23    # 来路域名
24    request.domain = parseEnviron["domain"]
25    # 发送请求
26    requestResult = request.sendRequest()
27    if requestResult.code == 0:
28        # 验证通过逻辑处理
29        html = "验证通过"
30    else:
31        # 验证失败逻辑处理
32        html = f"{requestResult.msg} - {requestResult.code}"
33    response("200 OK", [("Content-type", "text/html; charset=utf-8")])
34    return [bytes(str(html), encoding="utf-8")]
35httpd = make_server("0.0.0.0", 8088, start)  # 设置调试端口  http://localhost:8088/
36httpd.serve_forever()

最后

SDK开源地址：KgCaptcha (KgCaptcha) · GitHub，顺便做了一个演示：凯格行为验证码在线体验