反采集一直都是我們需要進行的工作，特殊是國内互聯網行業抄襲風氣太盛，其實我們不介意這些采集者把我們原創内容采過去，反正采集者也影響不了我們自己多少，但老是導緻我們服務器資源過載就很煩了。
以前一般用“Apache中設置屏蔽IP地址和URL網址來禁止采集”，高級一些的用法記錄在“識别User Agent屏蔽一些Web爬蟲防采集”，中途還專門“自己編寫網站防采集程序”，但用起來也有些不完善。
這兩個月提交百度熊掌号、MIP/AMP後，正常的爬蟲多起來，流量也多一些，跟着來的采集爬蟲也多起來，導緻服務器總是資源不足，帶寬堵塞、服務器卡死、服務重啟等等。
除了硬件上增加帶寬、增加服務器以外，還得人工看着不斷屏蔽，現在的采集者也變得“聰明”一些了，變着ip/user-agent/referer來，與我們鬥智鬥勇。
前一陣子找了好些資料，apache的幾個模塊有些作用，例如：mod_bw、mod_limitipconn、mod_evasive20、mod_qos等，比較了一下，mod_qos最接近我們需要，隻是功能太強了一些，我們用不了那麼多，配置起來有些複雜。
官方介紹：
我們添加的qos.conf代碼：
# don't allow a client IP to access a "handler" (not a static resource like
# a jpg, gif, ..) more than 20 times within two minutes:
QS_ClientEventLimitCount 20 120 SlowRequest
SetEnvIfPlus Request_URI / SlowRequest=1
SetEnvIfPlus Request_URI /generateReport.php SlowRequest=2
SetEnvIfPlus Request_URI .*\.(jpg)|(jpeg)|(gif)|(png)|(js)|(css)$ !SlowRequest
SetEnvIfPlus Remote_Addr ^(47\.88\..*\..*|115\.28\..*\..*)$ !SlowRequest
# disable any event counting if the server has less than 499 connections:
QS_SetEnvIf QS_AllConn=^[1234]?[0-9]{1,2}$ !SlowRequest
# Clients violating these rules may times can be blocked for an even longer period of time. This is implemented by a second counter, called SlowRepeatedlySlow in this example.
# Alternatively, the QS_Block variable could be set to incremented the QS_ClientEventBlockCount counter in the case of a repeated rule violation (to block clients at a connection level extending the list of events defined above).
# deny a client IP for 10 minutes if he violates the rule above 3 times:
QS_ClientEventLimitCount 3 600 SlowRepeatedlySlow
QS_SetEnvIf SlowRequest_Counter=20 SlowRepeatedlySlow=1
QS_ErrorResponseCode 403
剛開始這樣設置後，重啟apache報錯，沒有SetEnvIfPlus模塊，找到mod_setenvifplus官方網站，又去下載mod_setenvifplus，解壓後apxs -i -a -c mod_setenvifplus.c編譯，再修改httpd.conf添加上mod_setenvifplus。
還有一點 QS_ClientEventLimitCount directives can't be added/removed by graceful restart. A server restart is required to apply the new configuration!，需要重啟機器。
這樣設置、重啟後，可以從error.log中看到屏蔽的事情。
後續需要解決的事情：
添加白名單，放行我們自己的服務器以及搜索引擎IP；（已經解決，加一行：SetEnvIfPlus Remote_Addr ...）- 添加hostname白名單，放行DNS反向查詢是google、百度等搜索引擎爬蟲；
返回錯誤碼現在是500（内部錯誤），應該改為403（拒絕）；（已經解決，加一行：QS_ErrorResponseCode 403）
2018年12月14日補充：《常見搜索引擎爬蟲IP地址段》，添加了Google、百度、MSN等幾個搜索引擎蜘蛛的IP地址段：|66\.249\..*|203\.208\.60\..*|216\.239\..*|66\.102\..*|64\.233\..*|72\.14\..*|123\.125\..*|220\.181\.108\..*|220\.181\.124\..*|220\.181\.125\..*|111\.206\..*|207\.46\.13\..*|157\.55\.39\..*|40\.77\.167\..*
回應
<p> 下面是一個簡單的php程序
下面是一個簡單的php程序，用于驗證qos是否生效：
<?php $url = "https://jamesqi.com/robots.txt"; for ($i=1;$i<300;$i++) { print "i = $i\n"; $time_start = time(); $content = file_get_contents($url); print 'content length = '.strlen($content)."\n"; $time_end = time(); $time_long = $time_end - $time_start; print "time = $time_long s\n"; } ?>運行很多次循環，每次訪問指定網址的中間不加延時，可以看到當運行到超過qos限制的時候，打印出來503被拒絕的信息，證實qos的設置生效了，如果調整qos中指定的限制次數（然後重啟apache），這裡打印錯誤信息的次數也跟着變了，如果把IP加入qos的白名單（然後重啟apache），這個程序的循環中就不會打印報錯信息。
發表新回應