如何识别恶意请求，进行反爬虫操作？

前言

最近这几天，真的越来越感受到了。业务需求推动技术的发展。没有业务需求支持，一切都是扯。

之前在知乎回答了一个问题突然火了，导致我的小程序流量暴增，如下图：

最高峰的时候，每分钟200多个不同ip请求。大概每秒5个请求。也就是5QPS。(突然感觉好小好小)

我这个系统有限流，有缓存，QPS上千是没什么问题的。

所以今天我想写的不是高并发，而是如何识别恶意请求，恶意攻击，并且拦截他们。

因为代码是开源的，接口什么的完全暴漏出去了，所以总会有些人，恶意请求我的接口，虽然没啥大的影响，但总归很不爽。

限制ip

这个也是我一直都有的代码，具体如下：

  1 package com.gdufe.osc.interceptor;
  2 
  3 import com.alibaba.fastjson.JSON;
  4 import com.gdufe.osc.common.OscResult;
  5 import com.gdufe.osc.enums.OscResultEnum;
  6 import com.gdufe.osc.service.RedisHelper;
  7 import com.gdufe.osc.utils.IPUtils;
  8 import lombok.extern.slf4j.Slf4j;
  9 import org.apache.commons.lang3.StringUtils;
 10 import org.springframework.beans.factory.annotation.Autowired;
 11 import org.springframework.lang.Nullable;
 12 import org.springframework.web.servlet.HandlerInterceptor;
 13 import org.springframework.web.servlet.ModelAndView;
 14 
 15 import javax.servlet.http.HttpServletRequest;
 16 import javax.servlet.http.HttpServletResponse;
 17 import java.util.Map;
 18 
 19 /**
 20  * @Author: yizhen
 21  * @Date: 2018/12/28 12:11
 22  */
 23 @Slf4j
 24 public class IPBlockInterceptor implements HandlerInterceptor {
 25 
 26     /** 10s内访问50次，认为是刷接口，就要进行一个限制 */
 27     private static final long TIME = 10;
 28     private static final long CNT = 50;
 29     private Object lock = new Object();
 30 
 31     /** 根据浏览器头进行限制 */
 32     private static final String USERAGENT = "User-Agent";
 33     private static final String CRAWLER = "crawler";
 34 
 35     @Autowired
 36     private RedisHelper<Integer> redisHelper;
 37 
 38     @Override
 39     public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception {
 40         synchronized (lock) {
 41             boolean checkAgent = checkAgent(request);
 42             boolean checkIP = checkIP(request, response);
 43             return checkAgent && checkIP;
 44         }
 45     }
 46 
 47     private boolean checkAgent(HttpServletRequest request) {
 48         String header = request.getHeader(USERAGENT);
 49         if (StringUtils.isEmpty(header)) {
 50             return false;
 51         }
 52         if (header.contains(CRAWLER)) {
 53             log.error("请求头有问题，拦截 ==> User-Agent = {}", header);
 54             return false;
 55         }
 56         return true;
 57     }
 58 
 59     private boolean checkIP(HttpServletRequest request, HttpServletResponse response) throws Exception {
 60         String ip = IPUtils.getClientIp(request);
 61         String url = request.getRequestURL().toString();
 62         String param = getAllParam(request);
 63         boolean isExist = redisHelper.isExist(ip);
 64         if (isExist) {
 65             // 如果存在,直接cnt++
 66             int cnt = redisHelper.incr(ip);
 67             if (cnt > IPBlockInterceptor.CNT) {
 68                 OscResult<String> result = new OscResult<>();
 69                 response.setCharacterEncoding("UTF-8");
 70                 response.setHeader("content-type", "application/json;charset=UTF-8");
 71                 result = result.fail(OscResultEnum.LIMIT_EXCEPTION);
 72                 response.getWriter().print(JSON.toJSONString(result));
 73                 log.error("ip = {}, 请求过快，被限制", ip);
 74                 // 设置ip不过期 加入黑名单
 75                 redisHelper.set(ip, --cnt);
 76                 return false;
 77             }
 78             log.info("ip = {}, {}s之内第{}次请求{}，参数为{}，通过", ip, TIME, cnt, url, param);
 79         } else {
 80             // 第一次访问
 81             redisHelper.setEx(ip, IPBlockInterceptor.TIME, 1);
 82             log.info("ip = {}, {}s之内第1次请求{}，参数为{}，通过", ip, TIME, url, param);
 83         }
 84         return true;
 85     }
 86 
 87     private String getAllParam(HttpServletRequest request) {
 88         Map<String, String[]> map = request.getParameterMap();
 89         StringBuilder sb = new StringBuilder("[");
 90         map.forEach((x, y) -> {
 91             String s = StringUtils.join(y, ",");
 92             sb.append(x + " = " + s + ";");
 93         });
 94         sb.append("]");
 95         return sb.toString();
 96     }
 97 
 98     @Override
 99     public void postHandle(HttpServletRequest request, HttpServletResponse response, Object handler, @Nullable ModelAndView modelAndView) throws Exception {
100     }
101 
102     @Override
103     public void afterCompletion(HttpServletRequest request, HttpServletResponse response, Object handler, @Nullable Exception ex) throws Exception {
104     }
105 }

代码我大致解释一个。

可以看到41行和42行代码；我做了两层的拦截：

第一层是先拦截不合规的浏览器头，比如浏览器头包含有爬虫的信息，全部拦截掉。

第二层是一个ip的拦截。如果在10s之内，访问我的接口大于50次，我就认为你是刷接口过快，是一个爬虫。

此时我直接存入redis，永不过期，下次直接拦截掉。

这是第一个办法。

统计ip访问次数

但总有些ip访问很慢，比如10s才访问，20-30次，但又不间断的访问，爬取，永不停歇。

虽然没啥大的影响，总归很不爽。

我们看看程序大致打印的日志把：

2019-06-01 16:21:24.271 [http-nio-8083-exec-5] INFO  c.g.osc.interceptor.IPBlockInterceptor - [] - ip = 106.121.145.154, 10s之内第1次请求zhihu/spider/get，参数为[type = 1;offset = 80;limit = 10;]，通过
2019-06-01 16:21:24.271 [http-nio-8083-exec-5] INFO  c.gdufe.osc.service.impl.ZhiHuSpiderImpl - [] - 图片随机位置为：356
2019-06-01 16:21:24.775 [http-nio-8083-exec-3] INFO  c.g.osc.interceptor.IPBlockInterceptor - [] - ip = 120.229.218.95, 10s之内第1次请求zhihu/spider/get，参数为[type = 1;offset = 70;limit = 10;]，通过
2019-06-01 16:21:24.775 [http-nio-8083-exec-3] INFO  c.gdufe.osc.service.impl.ZhiHuSpiderImpl - [] - 图片随机位置为：612
2019-06-01 16:21:32.050 [http-nio-8083-exec-10] INFO  c.g.osc.interceptor.IPBlockInterceptor - [] - ip = 105.235.134.202, 10s之内第1次请求zhihu/spider/get，参数为[type = 2;offset = 0;limit = 10;]，通过
2019-06-01 16:21:32.050 [http-nio-8083-exec-10] INFO  c.gdufe.osc.service.impl.ZhiHuSpiderImpl - [] - 图片随机位置为：93
2019-06-01 16:21:32.320 [http-nio-8083-exec-7] INFO  c.g.osc.interceptor.IPBlockInterceptor - [] - ip = 120.229.218.95, 10s之内第2次请求zhihu/spider/get，参数为[type = 1;offset = 80;limit = 10;]，通过
2019-06-01 16:21:32.320 [http-nio-8083-exec-7] INFO  c.gdufe.osc.service.impl.ZhiHuSpiderImpl - [] - 图片随机位置为：100
2019-06-01 16:21:33.755 [http-nio-8083-exec-2] INFO  c.g.osc.interceptor.IPBlockInterceptor - [] - ip = 106.17.6.118, 10s之内第1次请求zhihu/spider/get，参数为[type = 1;offset = 80;limit = 10;]，通过
2019-06-01 16:21:33.755 [http-nio-8083-exec-2] INFO  c.gdufe.osc.service.impl.ZhiHuSpiderImpl - [] - 图片随机位置为：107
2019-06-01 16:21:33.805 [http-nio-8083-exec-9] INFO  c.g.osc.interceptor.IPBlockInterceptor - [] - ip = 123.120.29.78, 10s之内第1次请求zhihu/spider/get，参数为[type = 1;offset = 80;limit = 10;]，通过
2019-06-01 16:21:33.805 [http-nio-8083-exec-9] INFO  c.gdufe.osc.service.impl.ZhiHuSpiderImpl - [] - 图片随机位置为：1057
2019-06-01 16:21:35.697 [http-nio-8083-exec-6] INFO  c.g.osc.interceptor.IPBlockInterceptor - [] - ip = 106.121.145.154, 10s之内第1次请求zhihu/spider/get，参数为[type = 1;offset = 90;limit = 10;]，通过
2019-06-01 16:21:35.697 [http-nio-8083-exec-6] INFO  c.gdufe.osc.service.impl.ZhiHuSpiderImpl - [] - 图片随机位置为：1030
2019-06-01 16:21:36.197 [http-nio-8083-exec-1] INFO  c.g.osc.interceptor.IPBlockInterceptor - [] - ip = 120.229.218.95, 10s之内第1次请求zhihu/spider/get，参数为[type = 2;offset = 0;limit = 10;]，通过
2019-06-01 16:21:36.198 [http-nio-8083-exec-1] INFO  c.gdufe.osc.service.impl.ZhiHuSpiderImpl - [] - 图片随机位置为：2384
2019-06-01 16:21:36.725 [http-nio-8083-exec-8] INFO  c.g.osc.interceptor.IPBlockInterceptor - [] - ip = 183.236.187.208, 10s之内第1次请求zhihu/spider/get，参数为[type = 1;offset = 0;limit = 10;]，通过

一个访问ip，应该会打印出两条日志。一条日志他的ip以及访问的路径。一条则与本题无关。

但我如何统计每个ip总共访问了多少次呢？

Shell代码如下：

 1 #!/bin/bash 
 2 # 复制日志到当前目录
 3 cp /home/tomcat/apache-tomcat-8.5.23/workspace/osc/osc.log /home/shell/java/osc.log 
 4 # 将日志中的ip点号如： 120.74.147.123 换为 120：74：147：123
 5 sed -i "s/\./:/g" osc.log
 6 # 筛选出只包含ip的行，并且只打印ip出来
 7 awk '/limit/ {print $11}' osc.log > temp.txt
 8 # 根据ip的所有位数进行排序 并且统计次数 最后输出前50行
 9 cat temp.txt | sort -t ':' -k1n -k2n -k3n -k4n | uniq -c | sort -nr | head -n 50 > result.txt
10 # 删除无关紧要文件
11 rm -rf temp.txt osc.log

这其中涉及到了好多命令，都是今天临时一一学的(临时抱佛脚)。

最后执行结果如下：

第一列是访问的次数，第二列是ip。

那么一看43.243.12.43这个ip就不正常了。肯定是爬虫来的。那么直接封了就是。

后言

业务需求推动技术真的学到了。有需求，有业务，才会推动技术的进步。

各位大佬们，还有没有其他反爬虫的技巧。一起交流一下。