在Java中使用XxlCrawler时防止被反爬的几种方式
CSDN 2024-07-24 09:35:02 阅读 66
目录
前言
一、常见的反爬措施
1、User-Agent识别
2、Referer识别
3、频率限制
4、IP限制
二、XxlCrawer的应对之道
1、User-Agent应对
2、频率限制
3、IP限制
三、XxlCrawler执行解析
1、XxlCrawler对象
2、启动对象
3、信息爬取线程
总结
前言
众所周知，在抓取别人的信息，会面临一些常见的屏蔽原则。当然，我们不建议持续不间断的获取信息，也同样呼吁正确利用获取的数据，仅做学习之用。相信大家在使用爬虫技术的同时，一定会遇到以下的场景，比如目标地址会进行IP限制，即将爬取的客户端IP限制掉。这里的限制可能是临时的，比如1天甚至半天就解封，而有一些是永久封禁。则该IP无法再次获取信息。而正常情况下我们又还需要持续的获取信息，这种情况下应该怎么去获取我们想要的数据呢。
本文以Java开发语言为例，主要讲解在采用XxlCrawler组件进行网络信息获取时，几种常见的反爬策略的应对方式。博文首先介绍了了几种常见的防止爬取技术，然后以XxlCrawer为例，针对这几种策略，在XxlCrawler中是如何进行实现，并进行应对的。
温馨提示：反爬虫技术是网站保护安全和稳定的重要手段，但也给数据采集带来了一定的挑战。在应对反爬虫技术时，需要遵循原则，选择合适的应对方法，提高技术水平和应对能力。同时，也需要注意法律法规和道德规范，遵循网站的规则和协议，保护网站的知识产权和合法权益。
一、常见的反爬措施
通常，在数据提供方为了保证数据的唯一性。随着互联网和移动互联网的发展，无论是信息爬取还是防止信息爬取，各方面的技术都在随着时间的推移而进步。本小节将介绍几种常见的反爬措施。关于反爬措施，更多的知识和策略可以到专业网站上学习。这里仅列出几种常见的。
1、User-Agent识别
User-Agent是HTTP请求头中的一个字段，用于标识客户端的类型和版本信息。很多网站通过User-Agent识别来判断访问请求是否来自于爬虫。用户代理（User Agent，简称 UA），是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。这个特殊字段包含了很丰富的信息，当然，也是可以通过这个agent来初步判断当前的请求是否是来源于爬虫。如果是爬虫，则可以进行限流。
在正常的网络请求，可以看到每个网络请求中肯定会携带一些User-Agent的信息。在Chrome浏览器中，可以使用检查选项，打开网络监视器。
可以在Request的heads中可以看到上面的信息：
<code>Accept: application/x-clarity-gzip
Accept-Encoding: gzip, deflate, br
Accept-Language: zh-CN,zh;q=0.9
Connection: keep-alive
Content-Length: 178
Cookie: MUID=2F05612551EE6C861BC173C555EE6A59
Host: d.clarity.ms
Origin: https://blog.csdn.net
Referer: https://blog.csdn.net/yelangkingwuzuhu
sec-ch-ua: " Not A;Brand";v="99", "Chromium";v="102", "Google Chrome";v="102"code>
sec-ch-ua-mobile: ?0
sec-ch-ua-platform: "Windows"
Sec-Fetch-Dest: empty
Sec-Fetch-Mode: cors
Sec-Fetch-Site: cross-site
User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36
2、Referer识别
Referer识别其实和上面的User-Agent的机制差不多，也是在Request Heads中加入了识别信息。通过这个关键信息来判断当前请求是否属于爬虫，其携带载体和方式与上面的方式没有什么区别，在此不再赘述。
3、频率限制
频率限制是指限制访问请求的频率，防止爬虫过度访问网站。频率限制的实现方式包括IP限制、账号限制、访问时间限制等。根据应用开放的权限不一致，有一些信息需要登录目标系统后才能正常获取，有一些是公共的API，比如之前的博客中提到过的中国地震台网的信息。这些是不用登录就能访问的。而这种公共接口，一般就会有IP和时间的限制，假如一个IP访问接口太频繁，就极有可能会触发这个频率限制的策略。
4、IP限制
很多网站会有自己的安全流量网关，一般在流量网关中，会将请求进行过滤。通过配置的一些策略对请求进行初步的拦截，比如基于频率的IP访问限制，如果不小心被服务端锁定，那么极有可能会被推送至黑名单，而自此之后恐怕都不能再正常爬取信息。
关于网站的反爬机制，决不止以上列出的这几种。而如果您也在从事相关网站的功能模块开发。那么一定要注意相关的安全设计。因为爬虫这种异常的流量，会对系统造成极大的流量冲击，假如系统的流量阈值没有进行压测。那么极有可能会压垮系统。这样就会导致系统的可用性降低，影响了用户体验和系统的可靠性。
二、XxlCrawer的应对之道
在这里在此强调，写这篇博客并非鼓励大家使用爬虫技术。反而是呼吁大家正确的使用这个技术，不要频繁访问目标系统，也不要将获取的数据用于不发目的。本小节根据上面的几种常见的反爬策略，以Java开发语言为例，讲解在XxlCrawler中使用什么策略来应对上面的几种方式。建议大家在爬取信息前，先去目标网站看一下爬虫协议。
robots协议也称爬虫协议、爬虫规则等,是指网站可建立一个robots.txt文件来告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取,而搜索引擎则通过读取robots.txt文件来识别这个页面是否允许被抓取。但是,这个robots协议不是防火墙,也没有强制执行力,搜索引擎完全可以忽视robots.txt文件去抓取网页的快照。 [5]如果想单独定义搜索引擎的漫游器访问子目录时的行为，那么可以将自定的设置合并到根目录下的robots.txt，或者使用robots元数据（Metadata，又称元数据）。
举个例子，我们来看一下知乎的协议，在知乎的访问域名后加上robots.txt即可看到。知乎爬虫协议，在浏览器中输入访问地址可以看到以下信息：
<code>User-agent: Googlebot
Disallow: /appview/
Disallow: /login
Disallow: /logout
Disallow: /resetpassword
Disallow: /terms
Disallow: /search
Allow: /search-special
Disallow: /notifications
Disallow: /settings
Disallow: /inbox
Disallow: /admin_inbox
Disallow: /*?guide*
上面就详细的规定了爬虫对象，禁止爬取的地址以及允许爬取的地址。感兴趣的朋友可以详细看看。
1、User-Agent应对
User-Agent是HTTP请求头中的一个字段，用于标识客户端的类型和版本信息。User-Agent的格式通常为“产品名称/产品版本号+操作系统名称/操作系统版本号”，例如“Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36”。网站通过检查User-Agent字段来判断访问请求是否来自于爬虫，如果User-Agent中包含爬虫相关的关键词，或者User-Agent与常见的浏览器不一致，就会被认为是爬虫。因此，User-Agent伪装是常见的反爬虫技术。
在了解了User-Agent的原理之后，我们就可以采用针对性的修复措施来进行User-Agent的修改。在XxlCrawler中采用动态设置的方式来进行修改。
XxlCrawler crawler = new XxlCrawler.Builder().setUrls(urlList).setThreadCount(3)
.setUserAgent(
"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36")
Referer的应对方式跟上面的例子差不多。我们可以在请求的时候来模拟正常的请求即可。
2、频率限制
一般网站接口的访问频率可能不一定公开公布，需要在实践中来进行总结。通常来说，应对频率限制的办法可以有以下办法：1、降低抓取频率：降低抓取频率，减少对网站的访问压力。2、使用多个账号：使用多个账号进行抓取，避免单个账号被限制。
降低抓取频率是比较好处理的一种方式，实现的方式也有很多种，比如使用多线程的时候，每次抓取完数据之后，都可以将时间频率进行降低，这样保证跟人的频率几乎没什么区别。可以采用线程休眠的方式，如Thread.sleep()。而在XxlCrawler当中，也是采用时间停止的方法。关键代码如下所示：
XxlCrawler crawler = new XxlCrawler.Builder().setUrls(urlList).setThreadCount(3).setPauseMillis(2000)
主要是通过setPauseMillis方法类设置暂停的时间，从而达到降低采样频率的作用。通常为了避免网络等错误，我们将请求做一个重试，比如请求出错后，再 重试3次，结合重试来保证可用性。
/**
* 失败重试次数，大于零时生效
*
* @param failRetryCount
* @return Builder
*/
public Builder setFailRetryCount(int failRetryCount){
if (failRetryCount > 0) {
crawler.runConf.setFailRetryCount(failRetryCount);
}
return this;
}
3、IP限制
这是应对爬虫最有效也最容易误杀的方案。IP限制是最基本的反爬虫技术之一，通过检查访问请求的IP地址，判断是否是爬虫，如果是，则禁止其访问。IP限制的实现方式包括黑名单和白名单，黑名单是指禁止特定的IP地址访问，白名单是指只允许特定的IP地址访问。
通常来讲，为了达到避免IP被限制的情况出现，我们一般会采用如下的解决方案。1、使用代理IP：使用代理IP可以绕过IP限制，但需要注意代理IP的质量和稳定性，否则会影响抓取效果。2、分布式抓取：使用多个IP地址进行分布式抓取，避免单个IP被限制。3、更换IP地址：在被限制之后，更换IP地址重新进行抓取。
代理IP
简单的说，就是通过ip代理，从不同的ip进行访问，这样就不会被封掉ip了。可是ip代理的获取本身就是一个很麻烦的事情，网上有免费和付费的，但是质量都层次不齐。如果是企业里需要的话，可以通过自己购买集群云服务来自建代理池。如果是业务需要，建议购买付费的代理，这样代理的可靠性比免费的好太多。
设置代理处理器，关键代码如下（这里只是举个例子，下面的代理地址应该都失效了）：
<code>ProxyMaker proxyMaker = new RoundProxyMaker()
.addProxy(new Proxy(Proxy.Type.HTTP, new InetSocketAddress("39.101.65.228", 80)));
proxyMaker.addProxy(new Proxy(Proxy.Type.HTTP, new InetSocketAddress("183.164.242.102", 8089)));
proxyMaker.addProxy(new Proxy(Proxy.Type.HTTP, new InetSocketAddress("222.74.73.202", 42055)));
proxyMaker.addProxy(new Proxy(Proxy.Type.HTTP, new InetSocketAddress("114.106.135.53", 8089)));
proxyMaker.addProxy(new Proxy(Proxy.Type.HTTP, new InetSocketAddress("117.74.65.207", 80)));
proxyMaker.addProxy(new Proxy(Proxy.Type.HTTP, new InetSocketAddress("183.164.243.240", 8089)));
proxyMaker.addProxy(new Proxy(Proxy.Type.HTTP, new InetSocketAddress("114.231.82.173", 9090)));
proxyMaker.addProxy(new Proxy(Proxy.Type.HTTP, new InetSocketAddress("223.247.46.133", 8089)));
proxyMaker.addProxy(new Proxy(Proxy.Type.HTTP, new InetSocketAddress("114.231.42.16", 9002)));
然后再设置代理生成器，代码如下：
/**
* 代理生成器
*
* @param proxyMaker
* @return Builder
*/
public Builder setProxyMaker(ProxyMaker proxyMaker){
crawler.runConf.setProxyMaker(proxyMaker);
return this;
}
XxlCrawler crawler = new XxlCrawler.Builder().setUrls(urlList).setThreadCount(3).setPauseMillis(2000)
.setProxyMaker(proxyMaker)
通过以上的配置大体可以实现一个使用了代理模式访问目标的XxlCrawler。除了待用IP代理池的方式，还可以通过组建爬虫集群，通过分布式来进行批量抓取，这样分散了请求，也能有效应对爬虫，如果计算资源比较充足，可以采用这种方式来进行。
三、XxlCrawler执行解析
本小节将重点介绍XxlCrawler的执行流程，包括相关参数的初始化，对象创建，信息获取等。让大家对XxlCrawler的请求流程及涉及的对象有一个基本的认识。
1、XxlCrawler对象
XxlCrawler是一个比较重的对象，这里采用构建器的模式来进行创建。可以在代码中看到，在XxlCrawler中包含基本的对象和方法。
public class XxlCrawler {
private static Logger logger = LoggerFactory.getLogger(XxlCrawler.class);
// run data
private volatile RunData runData = new LocalRunData(); // 运行时数据模型
// run conf
private volatile RunConf runConf = new RunConf(); // 运行时配置
// thread
private int threadCount = 1; // 爬虫线程数量
private ExecutorService crawlers = Executors.newCachedThreadPool(); // 爬虫线程池
private List<CrawlerThread> crawlerThreads = new CopyOnWriteArrayList<CrawlerThread>(); // 爬虫线程引用镜像
}
这里就包含相关的处理线程池和处理线程、数据模型、爬取URL对象。
2、启动对象
可以看到，在创建完XxlCrawler之后，需要调用start方法来进行启动。
/**
* 启动
*
* @param sync true=同步方式、false=异步方式
*/
public void start(boolean sync){
if (runData == null) {
throw new RuntimeException("xxl crawler runData can not be null.");
}
if (runData.getUrlNum() <= 0) {
throw new RuntimeException("xxl crawler indexUrl can not be empty.");
}
if (runConf == null) {
throw new RuntimeException("xxl crawler runConf can not be empty.");
}
if (threadCount<1 || threadCount>1000) {
throw new RuntimeException("xxl crawler threadCount invalid, threadCount : " + threadCount);
}
if (runConf.getPageLoader() == null) {
throw new RuntimeException("xxl crawler pageLoader can not be null.");
}
if (runConf.getPageParser() == null) {
throw new RuntimeException("xxl crawler pageParser can not be null.");
}
logger.info(">>>>>>>>>>> xxl crawler start ...");
for (int i = 0; i < threadCount; i++) {
CrawlerThread crawlerThread = new CrawlerThread(this);
crawlerThreads.add(crawlerThread);
}
for (CrawlerThread crawlerThread: crawlerThreads) {
crawlers.execute(crawlerThread);
}
crawlers.shutdown();
if (sync) {
try {
while (!crawlers.awaitTermination(5, TimeUnit.SECONDS)) {
logger.info(">>>>>>>>>>> xxl crawler still running ...");
}
} catch (InterruptedException e) {
logger.error(e.getMessage(), e);
}
}
}
3、信息爬取线程
在前面已经说过，其主要是采取线程池的模式进行爬取。来看一下具体的运行方法，关键代码如下：
public void run() {
while (!toStop) {
try {
running = false;
crawler.tryFinish();
String link = crawler.getRunData().getUrl();
running = true;
logger.info(">>>>>>>>>>> xxl crawler, process link : {}", link);
if (!UrlUtil.isUrl(link)) {
continue;
}
// failover
for (int i = 0; i < (1 + crawler.getRunConf().getFailRetryCount()); i++) {
boolean ret = false;
try {
// make request
PageRequest pageRequest = makePageRequest(link);
// pre parse
crawler.getRunConf().getPageParser().preParse(pageRequest);
// parse
if (crawler.getRunConf().getPageParser() instanceof NonPageParser) {
ret = processNonPage(pageRequest);
} else {
ret = processPage(pageRequest);
}
} catch (Throwable e) {
}
if (crawler.getRunConf().getPauseMillis() > 0) {
try {TimeUnit.MILLISECONDS.sleep(crawler.getRunConf().getPauseMillis());
} catch (InterruptedException e) {
}
}
}
} catch (Throwable e) {
}
}
}
可以看到，首先在程序运行前，会根据我们的配置和目标Url构建请求对象。关键代码如下：
/**
* make page request
*
* @param link
* @return PageRequest
*/
private PageRequest makePageRequest(String link){
String userAgent = crawler.getRunConf().getUserAgentList().size()>1
?crawler.getRunConf().getUserAgentList().get(new Random().nextInt(crawler.getRunConf().getUserAgentList().size()))
:crawler.getRunConf().getUserAgentList().size()==1?crawler.getRunConf().getUserAgentList().get(0):null;
Proxy proxy = null;
if (crawler.getRunConf().getProxyMaker() != null) {
proxy = crawler.getRunConf().getProxyMaker().make();
}
PageRequest pageRequest = new PageRequest();
pageRequest.setUrl(link);
pageRequest.setParamMap(crawler.getRunConf().getParamMap());
pageRequest.setCookieMap(crawler.getRunConf().getCookieMap());
pageRequest.setHeaderMap(crawler.getRunConf().getHeaderMap());
pageRequest.setUserAgent(userAgent);
pageRequest.setReferrer(crawler.getRunConf().getReferrer());
pageRequest.setIfPost(crawler.getRunConf().isIfPost());
pageRequest.setTimeoutMillis(crawler.getRunConf().getTimeoutMillis());
pageRequest.setProxy(proxy);
pageRequest.setValidateTLSCertificates(crawler.getRunConf().isValidateTLSCertificates());
return pageRequest;
}
在获取到目标页面后，将进行返回值的处理，具体处理逻辑如下：
主要是将返回的对象解析到配置的pageVO对象中，并根据pageVO对象中配置的表达式来获取值。感兴趣的朋友可以自己调试这些代码。可以看到更一步的数据处理。
总结
以上就是本文的主要内容，本文以Java开发语言为例，主要讲解在采用XxlCrawler组件进行网络信息获取时，几种常见的反爬策略的应对方式。博文首先介绍了了几种常见的防止爬取技术，然后以XxlCrawer为例，针对这几种策略，在XxlCrawler中是如何进行实现，并进行应对的。行文仓促，难免有不足支持，欢迎各位朋友在评论区批评指正。
最后仍要强调：不要恶意使用爬虫，不要无节制的访问目标网站。对于数据不随便泄露，不做商业用途。
博客写作过程中参考了以下部分网站内容，主要如下：
1、互联网防反爬机制的六种反爬技术大解析
2、反爬虫技术
声明
本文内容仅代表作者观点，或转载于其他网站，本站不以此文作为商业用途
如有涉及侵权，请联系本站进行删除
转载本站原创文章，请注明来源及作者。