服务器防爬虫方案

爬虫突破方式

首先了解爬虫的突破方式：

• 请求头
• cookie
• 访问的时间路径
• ip限制
  参考 https://blog.csdn.net/jss19940414/article/details/85038263?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-0&spm=1001.2101.3001.4242

---

防爬

防爬虫的基本理念：增加爬虫成本

运维层级：

• 限制IP单位时间访问次数还有频率
• nginx优化：增加筛选策略，基于iptables和shell脚本；自带功能httpuseragent阻塞，限制可访问user agent
• 增加防爬脚本：nginx lua写脚本
• robots.txt防爬（效果不大）

业务层级：

• 增加用户访问限制，对不同的业务进行层级划分，如课程增加分段下发，完成一定比例后才能获取后续等
• 增加关键业务访问验证功能，如课程被访问时增加验证，“请进行简单验证，以确保您确实准备好进行接下来的课程学习”
• 增加用户层级划分，如普通用户，初级用户，中级用户，高级用户（或采用钢琴等级），设定不用的用户拥有不同的课程访问权限，变相增加爬取成本

程序层级：

• 访问来源限制。request请求中增加参数，在解析时进行来源回溯限制等。
• cookie限制。访问是否需要强制登录，非登录用户不可达。
• 添加证书。非证书客户端访问非法，仅拥有证书的客户端可访问。存在限制，历史版本如何处理，是否可以强制升级等。
• 关键性接口访问限制，如获取课程接口，模拟用户行为，制定访问策略，限制单位时间访问次数，例“您在1分钟内已经多节课程，建议您采用我们推荐的课程顺序进行学习。您也可进行评级自测，我们将给您提供更个性化的课程推荐”
• 前后端交互数据增加动态解析。前后端动态解析方案协商，及动态解析方案。前端常见解析方案为js处理
• 访问链接随机化。可视作动态解析的部分。
• 服务端下发数据增加混淆因素。增加混淆代码或文本，加大解析难度。
• 行为检测。增加用户行为模式判定，设定用户行为策略筛查。
• 构造假数据。猥琐办法，让爬虫获取到的数据无意义。
• 人工智能防采集。加入人工学习，采取智能防爬（专业性要求较高，实现成本高）

---

防爬虫的几种方法 参考（https://blog.csdn.net/h330531987/article/details/78362172）

---