基于決策樹算法的爬蟲識(shí)別技術(shù)

劉宇　程學(xué)林

摘要：網(wǎng)絡(luò)爬蟲指的是一種按照一定的規(guī)則，自動(dòng)地抓取萬(wàn)維網(wǎng)信息的程序或者腳本。但是實(shí)際上爬蟲還分為正規(guī)爬蟲和非正規(guī)爬蟲，所謂的正規(guī)爬蟲就是通過正規(guī)途徑和手段獲取網(wǎng)站信息和數(shù)據(jù)，非正規(guī)爬蟲又稱為惡意爬蟲，主要用于非法盜竊數(shù)據(jù)，給網(wǎng)站服務(wù)器增加負(fù)擔(dān)以及偷窺一些敏感信息數(shù)據(jù)等。本文將會(huì)基于決策樹算法設(shè)計(jì)一種新爬蟲檢測(cè)技術(shù)，并根據(jù)爬蟲檢測(cè)結(jié)果提供一些反爬機(jī)制，對(duì)惡意爬蟲進(jìn)行進(jìn)行評(píng)屏蔽等，進(jìn)而實(shí)現(xiàn)對(duì)網(wǎng)站和服務(wù)器以及部分?jǐn)?shù)據(jù)，信息的保護(hù)，降低互聯(lián)網(wǎng)資源重疊現(xiàn)象。

關(guān)鍵詞：網(wǎng)絡(luò)爬蟲；爬蟲檢測(cè)；惡意爬蟲；反爬蟲

0引言

隨著網(wǎng)絡(luò)的迅速發(fā)展，萬(wàn)維網(wǎng)成為大量信息的載體，如何有效地提取并利用這些信息成為一個(gè)巨大的挑戰(zhàn)。為了快速?gòu)幕ヂ?lián)網(wǎng)中獲得大量目標(biāo)數(shù)據(jù)，就需要編寫一些腳本程序，按照一定規(guī)律批量獲取數(shù)據(jù)，這就是所謂的爬蟲，但是在一部分通過正常途徑，即先請(qǐng)求網(wǎng)站Robot.tXt之后，再在不影響對(duì)方網(wǎng)站前提下，獲取相關(guān)資料的正規(guī)爬蟲之外，還有一些惡意爬蟲，它們通常表現(xiàn)為無論網(wǎng)站是的Robot.txt是否允許爬蟲爬取，都會(huì)強(qiáng)制性，批量性獲取網(wǎng)站數(shù)據(jù)，同時(shí)會(huì)在短時(shí)間內(nèi)大量的發(fā)起請(qǐng)求，還有一部分惡意爬蟲會(huì)惡意制造虛假PV，模擬點(diǎn)擊付費(fèi)廣告鏈接，批量檢索網(wǎng)站禁止爬蟲爬取信息，用于商業(yè)性質(zhì)分析等。這類爬蟲在給互聯(lián)網(wǎng)帶來巨大的機(jī)器流量同時(shí)，也會(huì)給網(wǎng)站帶來極大的負(fù)擔(dān)，使得網(wǎng)站性能大大降低，目前互聯(lián)網(wǎng)內(nèi)有40%-60%的流量來自爬蟲或者相關(guān)機(jī)器流量，已經(jīng)嚴(yán)重妨礙核威脅互聯(lián)網(wǎng)相關(guān)的產(chǎn)業(yè)健康發(fā)展！

為了應(yīng)對(duì)爬蟲帶來的危害，國(guó)內(nèi)外相關(guān)學(xué)者和各大公司企業(yè)，教育機(jī)構(gòu)甚至很多個(gè)人網(wǎng)站站長(zhǎng)等，都對(duì)爬蟲檢測(cè)，識(shí)別等技術(shù)進(jìn)行了深入的研究，例如目前常見的爬蟲檢測(cè)有判斷請(qǐng)求的Headers，查看請(qǐng)求頻率等眾多方法。但是由于常見的這些檢測(cè)方法并不能靈活快速的檢測(cè)請(qǐng)求類型，所以本文將會(huì)基于決策樹算法建立一種新的爬蟲檢測(cè)方式，同時(shí)做一些相關(guān)的反爬設(shè)計(jì)。

1請(qǐng)求與爬蟲檢測(cè)

對(duì)于網(wǎng)絡(luò)爬蟲的檢測(cè)，其實(shí)就是對(duì)請(qǐng)求的分析，一般情況下判斷一個(gè)請(qǐng)求是否是爬蟲，通常是：

（1）單位時(shí)問內(nèi)同一IP請(qǐng)求頻率：如果在某一段時(shí)間內(nèi)，某個(gè)IP發(fā)出大量請(qǐng)求，而這種請(qǐng)求又不是正常人工可以發(fā)出的（例如一分鐘發(fā)出上千次請(qǐng)求等），那么可以基本判定該請(qǐng)求屬于爬蟲行為；

（2）單位時(shí)間內(nèi)同一IP請(qǐng)求時(shí)間間隔：正常人為訪問時(shí)，訪問時(shí)間間隔是不固定的，但是很多時(shí)候爬蟲的訪問時(shí)間間隔是固定的或者在某段時(shí)間范圍內(nèi)，如果同一IP每次發(fā)起請(qǐng)求時(shí)間間隔都是在一個(gè)固定時(shí)間間隔內(nèi)或者波動(dòng)范圍極小的時(shí)間間隔內(nèi)，那么也可以基本判定該行為屬于爬蟲行為；

（3）User-Agent是否為常用瀏覽器User-Agent：通常情況下每個(gè)瀏覽器具有特定的User.Agent，以讓服務(wù)器識(shí)別該請(qǐng)求是通過哪個(gè)瀏覽器發(fā)起的，但是很多爬蟲在設(shè)計(jì)時(shí)，并未設(shè)置User.Agent，所以如果非常見瀏覽器User-Agent或者帶有編程語(yǔ)言名稱的User-Agent基本可以判定為該行為是爬蟲行為；

（4）請(qǐng)求是否為全部請(qǐng)求：一般情況一個(gè)網(wǎng)站如果有圖片或者link標(biāo)簽等，這樣打開一個(gè)網(wǎng)頁(yè)通常會(huì)加載多個(gè)資源，如CSS，Js等，但是爬蟲訪問的時(shí)候，通常不會(huì)做這些額外的請(qǐng)求。所以當(dāng)一個(gè)請(qǐng)求發(fā)起之后，只請(qǐng)求了頁(yè)面源代碼而未請(qǐng)求相關(guān)關(guān)聯(lián)資源，那么可以基本判定，該請(qǐng)求是爬蟲行為；

（5）是否請(qǐng)求robot：通常情況，爬蟲都會(huì)請(qǐng)求Robot.txt，而用戶是不會(huì)請(qǐng)求這個(gè)文檔的，所以請(qǐng)求Robot.txt的通常為爬蟲行為，當(dāng)然也是有一部分爬蟲不會(huì)請(qǐng)求該文件的，所以未請(qǐng)求該文檔的并不代表非爬蟲行為；

（6）請(qǐng)求時(shí)是否會(huì)帶有Cookies：一般情況下爬蟲請(qǐng)求頁(yè)面的時(shí)候，都不會(huì)帶有Cookies，而人為訪問的時(shí)候，都會(huì)帶有前一頁(yè)面或者前一次訪問的Cookies，所以在沒有前一次Cookies的請(qǐng)求中，有極大可能是爬蟲發(fā)起的請(qǐng)求；

（7）是否觸發(fā)爬蟲陷阱：通常情況下，爬蟲陷阱指的是將Spider訪問引入到能產(chǎn)生無限循環(huán)的頁(yè)面，或者帶人其他特殊頁(yè)面中，正常情況下，人為訪問是不會(huì)走人該陷阱的，而爬蟲是“無思維”請(qǐng)求，所以極有可能會(huì)自動(dòng)走入該陷阱。一般情況下走入該陷阱并在陷阱中無法跳出的行為是爬蟲行為。endprint