写点什么

可恶的爬虫直接把生产机器全部爬挂了!

用户头像
java金融
关注
发布于: 2021 年 01 月 19 日
可恶的爬虫直接把生产机器全部爬挂了!

引言

  • 正在午睡,突然收到线上疯狂报警的邮件,查看这个邮件发现这个报警的应用最近半个月都没有发布,应该不至于会有报警,但是还是打开邮件通过监控发现是由于某个接口某个接口流量暴增,CPU暴涨。为了先解决问题只能先暂时扩容机器了,把机器扩容了一倍,问题得到暂时的解决。最后复盘为什么流量暴增?由于最近新上线了一个商品列表查询接口,主要用来查询商品信息,展示给到用户。业务逻辑也比较简单,直接调用底层一个soa接口,然后把数据进行整合过滤,排序推荐啥的,然后吐给前端。这个接口平时流量都很平稳。线上只部署了 6 台机器,面对这骤增的流量,只能进行疯狂的扩容来解决这个问题。扩容机器后一下问题得到暂时的解决。后来经过请求分析原来大批的请求都是无效的,都是爬虫过来爬取信息的。这个接口当时上线的时候是裸着上的也没有考虑到会有爬虫过来。

解决办法

  • 既然是爬虫那就只能通过反爬来解决了。自己写一套反爬虫系统,根据用户的习惯,请求特征啥的,浏览器cookie、同一个请求频率、用户ID、以及用户注册时间等来实现一个反爬系统。

  • 直接接入公司现有的反爬系统,需要按照它提供的文档来提供指定的格式请求日志让它来分析。

既然能够直接用现成的,又何必自己重新造轮子呢。最后决定还是采用接入反爬系统的爬虫组件。爬虫系统提供了两种方案如下:

方案 1:

  • 爬虫系统提供批量获取黑名单IP的接口(getBlackIpList)和移除黑名单IP接口(removeBlackIp)。

业务项目启动的时候,调用getBlackIpList接口把所有IP黑名单全部存入到本地的一个容器里面(Map、List),中间会有一个定时任务去调用getBlackIpList接口全量拉取黑名单(黑名单会实时更新,可能新增,也可能减少)来更新这个容器。

  • 每次来一个请求先经过这个本地的黑名单IP池子,IP是否在这个池子里面,如果在这个池子直接返回爬虫错误码,然后让前端弹出一个复杂的图形验证码,如果用户输入验证码成功(爬虫基本不会去输入验证码),然后把IP从本地容器移除,同时发起一个异步请求调用移除黑名单IP接口(removeBlackIp),以防下次批量拉取黑单的时候又拉入进来了。然后在发送一个activemq消息告诉其他机器这个IP是被误杀的黑名单,其他机器接受到了这个消息也就会把自己容器里面这个IP移除掉。(其实同步通知其他机器也可以通过把这个IP存入redis里面,如果在命中容器里面是黑名单的时候,再去redis里面判断这个ip是否存在redis里面,如果存在则说明这个 ip 是被误杀的,应该是正常请求,下次通过定时任务批量拉取黑名单的时候,拉取完之后把这个redis里面的数据全部删除,或者让它自然过期。

这种方案:性能较好,基本都是操作本地内存。但是实现有点麻烦,要维护一份 IP 黑名单放在业务系统中。


方案 2:

  • 爬虫系统提供单个判断 IP 是否黑名单接口checkIpIsBlack(但是接口耗时有点长 5s)和移除黑名单IP接口(removeBlackIp)。每一个请求过来都去调用爬虫系统提供的接口(判断IP是否在黑名单里面)这里有一个网络请求会有点耗时。如果爬虫系统返回是黑名单,就返回一个特殊的错误码给到前端,然后前端弹出一个图形验证码,如果输入的验证码正确,则调用爬虫系统提供的移除IP黑名单接口,把IP移除。

这种方案:对于业务系统使用起来比较简单,直接调用接口就好,没有业务逻辑,但是这个接口耗时是没法忍受的,严重影响用户的体验

最终综合考虑下来最后决定采用方案 1.毕竟系统对响应时间是有要求的尽量不要增加不必要的耗时。

方案 1 实现

方案 1 伪代码实现 我们上文《看了CopyOnWriteArrayList后自己实现了一个CopyOnWriteHashMap》有提到过对于读多写少的线程安全的容器我们可以选择CopyOnWrite容器。

static CopyOnWriteArraySet blackIpCopyOnWriteArraySet = null;    /**     * 初始化     */    @PostConstruct    public void init() {        // 调用反爬系统接口 拉取批量黑名单        List<String> blackIpList = getBlackIpList();        // 初始化        blackIpCopyOnWriteArraySet = new CopyOnWriteArraySet(blackIpList);    }
/** * 判断IP 是否黑名单 * @param ip * @return */ public boolean checkIpIsBlack(String ip) { boolean checkIpIsBlack = blackIpCopyOnWriteArraySet.contains(ip); if (!checkIpIsBlack ) return false; // 不在redis白名单里面 if (!RedisUtils.exist(String.format("whiteIp_%", ip)){ return false; } return true; }
复制代码

上线后经过一段时间让爬虫系统消费我们的请求日志,经过一定模型特征的训练,效果还是很明显的。由于大部分都是爬虫很多请求直接就被拦截了,所以线上的机器可以直接缩容掉一部分了又回到了 6 台。但是好景不长,突然发现GC次数频繁告警不断。为了暂时解决问题,赶紧把生产机器进行重启(生产出问题之后,除了重启和回退还有什么解决办法吗),并且保留了一台机器把它拉出集群,重启之后发现过又是一样的还是没啥效果。通过dump线上的一台机器,通过MemoryAnalyzer分析发现一个大对象就是我们存放IP的大对象,存放了大量的的 IP 数量。这个 IP 存放的黑名单是放在一个全局的静态CopyOnWriteArraySet,所以每次gc 它都不会被回收掉。只能临时把线上的机器配置都进行升级,由原来的 8 核 16g 直接变为 16 核 32g,新机器上线后效果很显著。

为啥测试环境没有复现?

测试环境本来就没有什么其他请求,都是内网IP,几个黑名单IP还是开发手动构造的。

解决方案

业务系统不再维护IP黑名单池子了,由于黑名单来自反爬系统,爬虫黑名单的数量不确定。所以最后决定采取方案 2 和方案 1 结合优化。

  • 1.项目启动的时候把所有的IP黑名单全部初始化到一个全局的布隆过滤器

  • 2.一个请求过来先经过布隆过滤器,判断是否在布隆过滤器里面,如果在的话我们再去看看是否在redis白名单里面(误杀用户需要进行洗白)我们再去请求反爬系统判断IP是否是黑名单接口,如果接口返回是IP黑名单直接返回错误码给到前端,如果不是直接放行(布隆过滤器有一定的误判,但是误判率是非常小的,所以即使被误判了,最后再去实际请求接口,这样的话就不会存在真正的误判真实用户)。如果不存在布隆器直接放行。

  • 3.如果是被误杀的用户,用户进行了IP洗白,布隆过滤器的数据是不支持删除(布谷鸟布隆器可以删除(可能误删)),把用户进行正确洗白后的IP存入redis里面。(或者一个本地全局容器,mq消息同步其他机器)

下面我们先来了解下什么是布隆过滤器把。

什么是布隆过滤器

布隆过滤器(英语:Bloom Filter)是 1970 年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法,缺点是有一定的误识别率和删除困难。


上述出自百度百科。

说白了布隆过滤器主要用来判断一个元素是否在一个集合中,它可以使用一个位数组简洁的表示一个数组。它的空间效率和查询时间远远超过一般的算法,不过它存在一定的误判的概率,适用于容忍误判的场景。如果布隆过滤器判断元素存在于一个集合中,那么大概率是存在在集合中,如果它判断元素不存在一个集合中,那么一定不存在于集合中。

实现原理

 布隆过滤器的原理是,当一个元素被加入集合时,通过 K 个散列函数将这个元素映射成一个位数组(Bit array)中的 K 个点,把它们置为 1 。检索时,只要看看这些点是不是都是 1 就知道元素是否在集合中;如果这些点有任何一个 0,则被检元素一定不在;如果都是 1,则被检元素很可能在(之所以说“可能”是误差的存在)。底层是采用一个 bit 数组和几个哈希函数来实现。


下面我们以一个 bloom filter 插入"java" 和"PHP"为例,每次插入一个元素都进行了三次 hash 函数

java 第一次 hash 函数得到下标是 2,所以把数组下标是 2 给置为 1

java 第二次 Hash 函数得到下标是 3,所以把数组下标是 3 给置为 1

java 第三次 Hash 函数得到下标是 5,所以把数组下标是 5 给置为 1

PHP 第一次 Hash 函数得到下标是 5,所以把数组下标是 5 给置为 1

...

查找的时候,当我们去查找C++的时候发现第三次hash位置为 0,所以C++一定是不在不隆过滤器里面。但是我们去查找“java”这个元素三次hash出来对应的点都是 1。只能说这个元素是可能存在集合里面。

  • 布隆过滤器添加元素

  1. 将要添加的元素给 k 个哈希函数

  2. 得到对应于位数组上的 k 个位置

  3. 将这 k 个位置设为 1

  • 布隆过滤器查询元素

  1. 将要查询的元素给 k 个哈希函数

  2. 得到对应于位数组上的 k 个位置

  3. 如果 k 个位置有一个为 0,则肯定不在集合中

  4. 如果 k 个位置全部为 1,则可能在集合中

使用 BloomFilter

引入 pom

 <dependency>            <groupId>com.google.guava</groupId>            <artifactId>guava</artifactId>            <version>23.0</version>  </dependency> 
复制代码


    public static int count = 1000000;    private static BloomFilter<String> bf = BloomFilter.create(Funnels.stringFunnel(Charset.forName("utf-8")), count,0.009);    public static void main(String[] args) {        int missCount = 0;        for (int i = 0; i < count; i++) {            bf.put(i+"");        }        for (int i = count; i < count+1000000; i++) {            boolean b = bf.mightContain(i +"");            if (b) {                missCount++;            }        }        System.out.println(new BigDecimal(missCount).divide(new BigDecimal(count)));    }
复制代码


解决问题

布隆过滤器介绍完了,我们再回到上述的问题,我们把上述问题通过伪代码来实现下;

   /**     * 初始化     */    @PostConstruct    public void init() {        // 这个可以通过配置中心来读取        double fpp = 0.001;        // 调用反爬系统接口 拉取批量黑名单        List<String> blackIpList = getBlackIpList();        // 初始化 不隆过滤器        blackIpBloomFilter = BloomFilter.create(Funnels.stringFunnel(Charset.forName("utf-8")), blackIpList.size(), fpp);        for (String ip: blackIpList) {            blackIpBloomFilter.put(ip);        }    }    /**     * 判断是否是爬虫	 */    public boolean checkIpIsBlack(String ip) {        boolean contain = blackIpBloomFilter.mightContain(ip);        if (!contain) {            return false;        }         // 不在redis白名单里面       if (!RedisUtils.exist(String.format("whiteIp_%", ip)){      	 	return false;		}         // 调用反爬系统接口 判断IP是否在黑名单里面    }
复制代码

总结

上述只是列举了通过IP来反爬虫,这种反爬的话只能应对比较低级的爬虫,如果稍微高级一点的爬虫也可以通过代理IP来继续爬你的网站,这样的话成本可能就会加大了一点。爬虫虽然好,但是还是不要乱爬,“爬虫爬的好,牢饭吃到饱

结束

  • 由于自己才疏学浅,难免会有纰漏,假如你发现了错误的地方,还望留言给我指出来,我会对其加以修正。

  • 如果你觉得文章还不错,你的转发、分享、赞赏、点赞、留言就是对我最大的鼓励。

  • 感谢您的阅读,十分欢迎并感谢您的关注。


发布于: 2021 年 01 月 19 日阅读数: 52
用户头像

java金融

关注

公众号:【java金融】 2018.05.15 加入

专注 Java 领域相关技术:java基础、 Java SE、Java 并发、JVM、分布式、中间件、微服务、Spring、mysql、oracle等技术。

评论

发布
暂无评论
可恶的爬虫直接把生产机器全部爬挂了!