网站数据保护实践

保护你的数据，防止被恶意爬取

大家好，我是程序员鱼皮。前两天模拟面试一位社招两年的老哥，由于他的表现不错，我就临时起意，跟他交流一下我们最近遇到的业务场景问题。问题如下：

最近我们不是做了个 程序员刷题网站 - 面试鸭 嘛，有很多坏人盯上了我们网站，想把我们 10,000 多道面试题、300 多个面试题库的数据都用爬虫抓下来。那我们应该如何防止这种爬虫行为？比如怎么识别出这些非法爬取数据的用户并且自动封号？

整个问题的交流过程大家可以看视频学习：https://www.bilibili.com/video/BV1b142187Tb

下面我就直接把防止爬虫的方法汇总分享给大家，总共有整整 10 种方法！最后一个方法很独特~

如何防止网站被爬虫？

1、使用协议条款

robots.txt 是一个放置在网站根目录下的文件，用于告诉搜索引擎的爬虫哪些部分不希望被抓取。

举个例子，可以在 robots.txt 文件中添加如下规则来禁止特定目录或文件被抓取：

` User-agent: * Disallow: /private/ Disallow: /important/ `

虽然大多数合规的爬虫会遵守这些规则，但恶意爬虫可能会忽视它，所以，仅凭 robots.txt 不能完全阻止所有爬虫。但它是防护的第一步，起到一个声明和威慑的作用。

可以在网站的服务条款或使用协议中明确禁止爬虫抓取数据，并将违反这些条款的行为视为违法，如果网站内容被恶意爬虫抓取并造成了损害，robots.txt 可以作为违反这些条款的证据之一。

2、限制数据获取条件

比起直接暴露所有数据，可以要求用户登录或提供 API 密钥才能访问特定数据。还可以为关键内容设置身份验证机制，比如使用 OAuth 2.0 或 JWT（JSON Web Tokens），确保只有授权用户能够访问敏感数据，有效阻止未经授权的爬虫获取数据。

3、统计访问频率和封禁

可以利用缓存工具如 Redis 分布式缓存或 Caffeine 本地缓存来记录每个 IP 或客户端的请求次数，并设置阈值限制单个 IP 地址的访问频率。当检测到异常流量时，系统可以自动封禁该 IP 地址，或者采取其他的策略。

需要注意的是，虽然 Map 也能够统计请求频率，但是由于请求是不断累加的，占用的内存也会持续增长，所以不建议使用 Map 这种无法自动释放资源的数据结构。如果一定要使用内存进行请求频率统计，可以使用 Caffeine 这种具有数据淘汰机制的缓存技术。

4、多级处理策略

为了防止 “误伤”，比起直接对非法爬虫的客户端进行封号，可以设定一个更灵活的多级处理策略来应对爬虫。比如，当检测到异常流量时，先发出警告；如果爬虫行为继续存在，则采取更严厉的措施，如暂时封禁 IP 地址；如果解封后继续爬虫，再进行永久封禁等处罚。

具体的处理策略可以根据实际情况来定制，也不建议搞的太复杂，别因此加重了系统的负担。

5、自动告警 + 人工介入

可以实现自动告警能力，比如在检测到异常流量或爬虫行为时，系统能自动发出企业微信消息通知。然后网站的管理员就可以及时介入，对爬虫的请求进行进一步分析和处理。

这点之前也给大家分享过，不止是针对爬虫，企业的线上系统最好接入全方面的告警，比如接口错误、CPU / 内存占用率过高之类的。

6、爬虫行为分析

非法爬虫和正常用户的行为一般是有区别的，爬虫往往遵循特定的访问模式。比如正常用户每道题目都要看一会儿、看的时间也不一样，而爬虫一般是按照固定的顺序、固定的频率来获取题目，很明显就能识别出来。

比如下面这种情况，有可能就是爬虫：

7、请求头检测

每个发送到服务器的请求都有请求头信息，可以通过检查请求头中的 User-Agent 和 Referer 等标识符，对爬虫请求进行拦截。

当然，这招只能防防菜鸟，因为请求头是可以很轻松地伪造的，只要通过浏览器自带的网络控制台获取到响应正常的请求头信息，就可以绕过检测了。

8、自主公开数据

记得大学上信息安全课的时候，学到一个知识点：防止网络攻击的一种方法是，让攻击者的成本大于实际的收益。比如密码 10 分钟有效，破解密码要花 15 分钟，就不会有人去破解。

用到爬虫场景上，我们的做法是，不做任何限制，直接让所有人不登录也能查看到我们网站的题目数据！而且还提供了题目的各种筛选功能、收藏功能。大多数同学只是为了自己学习，这样一来，就没有必要花时间去爬数据了~

9、溯源技术

虽然题目都是公开的，但有些我们专门请大厂大佬们来写的优质题解是仅会员可见的。如果有用户使用爬虫抓取了这部分数据，可就要小心了！一般来说，只要你在一个网站登录了，就一定会有访问记录，如果你泄露了网站登录后才可见的内容、尤其是付费内容，网站管理员一定有办法追溯到你是谁。

比较常用的溯源技术就是水印、盲水印等。对于我们的面试鸭，本身就是通过微信登录的，而且如果你是会员，肯定还有支付记录。这些技术不仅帮助标记数据源，还可以在数据被滥用时追踪其来源，从而增强数据的保护。

10、科普法律

除了上面这些方法外，还可以通过接入反爬服务、接入验证码、增加动态时间戳等方式进一步限制爬虫。但是要记住，爬虫是没有办法完美防御的！因为你无法限制真实的用户，攻击者完全可以模拟真实用户的访问方式来获取你的网站数据，比如找 10 个用户，每人获取几百题。

所以我的最后一个方法是 —— 科普法律。可以在网站上发布明确的法律声明，告知用户未经授权的抓取行为是违法的，可以对爬虫行为起到一定的威慑作用。并且还通过发布视频和文章的方式，让广大程序员朋友们提高法律意识。爬虫是有一定风险的，自己学习倒没问题，但是千万别给人家的网站造成压力了，搞不好就有破坏计算机系统的嫌疑了！

推荐资源

1）鱼皮 AI 导航网站：AI 资源大全、最新 AI 资讯、免费 AI 教程

2）编程导航学习圈：学习路线、编程教程、实战项目、求职宝典、交流答疑

3）程序员面试八股文：实习/校招/社招高频考点、企业真题解析

4）程序员写简历神器：专业模板、丰富例句、直通面试

5）1 对 1 模拟面试：实习/校招/社招面试拿 Offer 必备