www.fachun.net是我做的一个音乐资源站，因为资源丰富，容易成为他人抓取的目标。

被抓取资源事小，另一方面，爬虫的频繁访问还会严重占用服务器资源。

前期写代码的时候，我已经考虑到防爬问题，做了一些简单的事，比如避免使用数字ID，而是ID + 名字。

例如一个歌手的名字是ABC，ID是36，最终的URL就是:

http://www.fachun.net/musician/36-ABC/

这是爬虫难以直接猜解的。

今天我再写一些额外的代码来限制单个IP请求的频率，实现防爬。有几个要点:

1. 使用MySQL Memory数据库引擎来存储用户IP地址，

因为多了个过滤层，响应时间必然增加。应该尽量减小这个影响，把IP放在内存中可以节省查找时间。

原来的应用是InnoDB引擎，所以，需要新建数据库，并在settings.DATABASES中添加它。

2. 目前我的过滤条件是10分钟内请求超过100次(已改为60次)，封IP十分钟。

3. 搜索引擎百度、Google等的爬虫应该不受过滤，因此，需要特别处理搜索引擎的爬虫。

设IP白名单会再次影响效率，我不希望设用白名单来筛选。

只是检查REMOTE_HOST是否包含googlebot.com、crawl.baidu.com等字符串

1. 修改配置文件,增加数据库

首先新建一个app，我这里命名为robotkiller，执行：

manage.py startapp robotkiller

然后在工程settings.py文件中添加一个数据库，我仍然用同名的robotkiller，并在INSTALLED_APPS中添加robotkiller。

DATABASES = {
    'default': {...},
    'robotkiller': {
        'ENGINE': 'django.db.backends.mysql', 
        'NAME': 'robotkiller',                      
        'USER': 'your_user',
        'PASSWORD': 'your_pass',
        'HOST': '127.0.0.1',                    
        'PORT': '3306',
        'OPTIONS': {
            "init_command": "SET storage_engine=MEMORY",
        }
    }
}

models.py中的内容是这样的:

from django.db import models

class RobotKiller(models.Model):
    id = models.IntegerField(primary_key=True)
    ip = models.CharField(max_length=16)    #IP地址
    visits = models.IntegerField()          #请求次数
    time = models.DateTimeField()           #第一次发起请求的时间
    class Meta:
        db_table = 'robotkiller'

记得为ip字段建一个索引(让MySQL为内存数据库再维护个索引，是对是错，暂不深究):

我在settings.py中设置了时区为’Asia/chongqing’，所以，取得时间差，不应该直接用datetime，

而是用django.utils.timezone。下面是我的视图函数:

from models import RobotKiller
from django.utils import timezone

max_visits = 100
min_seconds = 600

def filterIP(request):
    domain = request.META.get('REMOTE_HOST')
    white_list = ['googlebot.com', 'crawl.baidu.com', 'sogou.com', 'bing.com', 'yahoo.com']
    for bot_domain in white_list:
        if domain.find(bot_domain) > 0:
            return bot_domain

    user_ip = request.META['REMOTE_ADDR']

    try:
        record = RobotKiller.objects.using('robotkiller').get(ip=user_ip)
    except RobotKiller.DoesNotExist:
        RobotKiller.objects.using('robotkiller').create(ip=user_ip, visits=1, time=timezone.now())
        return

    passed_seconds = (timezone.now() - record.time).seconds

    if record.visits > max_visits and passed_seconds < min_seconds:
        raise Exception('user ip banned.')
    else:
        if passed_seconds < min_seconds:
            record.visits = record.visits + 1
            record.save()
        else:
            record.visits = 1
            record.time = timezone.now()
            record.save()

上述代码就是基本的过滤逻辑。在urls.py中添加:

from robotkiller import filterIP

然后在需要防爬取的对应app的views.py中添加该函数:

def checkIP(request):
    try:
        filterIP(request)
    except Exception, e:
        if unicode(e) == 'user ip banned.':
            raise PermissionDenied()

接着，在所有视图函数的第一行添加checkIP(request) 就可以过滤所有页面的请求了。

当用户在10分钟内请求了超过100个页面，会得到一个403错误。

可以在模板文件夹下新建一个403.html，自定义出错提示了。

标签：数据防爬

Django中实现一个简单的数据防爬取系统

1. 修改配置文件,增加数据库