本段将介绍基于iptables的方案，虽然适用范围较小;但是依赖少，可以通过简单配置linux就能达到效果。

　　第一步

安装ipset。ipset扩充了iptables的基本功能，可以提供更加高效的访问控制

# centos 6.5上面安装非常简单

sudo yum install -y ipset

　　第二步

在iptables中建立相应的ipset，来进行访问权限的封禁

# 新增用于封禁的ipset

sudo ipset -N --exist warden_blacklist iphash

# 增加相应的iptables规则

sudo iptables -A INPUT -m set --set warden_blacklist src -j DROP

# 保存iptables

sudo service iptables save

　　第三步

获取当前封禁的ip黑名单，并导入到iptables里面去

sudo ipset --exist destroy warden_blacklist_tmp; sudo ipset -N warden_blacklist_tmp iphash; echo "1.1.1.1,2.2.2.2" | tr , "\n" | xargs -n 1 -I {} sudo ipset -A warden_blacklist_tmp {} ; sudo ipset swap warden_blacklist_tmp warden_blacklist

这里为了尽可能的提升效率，作了以下事情：

建立临时ipset，方便做操作

将当前封禁黑名单中的ip提取出来，加入到此ipset(示例中用了最简单的echo来展示，实际可相应调整)

将ipset通过原子操作与iptables正在使用的ipset作交换，以最小的代价将最新的黑名单生效

　　简单的爬虫策略

要能精确的分析爬虫，需要强大的数据分析平台和规则引擎，来分析这个IP/设备/用户分别在短时间区间/长时间范围里的行为特征和轨迹，这里涉及到了非常复杂的数据系统开发，本文将通过简单的shell脚本描述比较简单的规则

例子1，封禁最近100000条中访问量超过5000的ip

nc -ul 9514 | head -100000 | awk -F '" "' '{print $2}' | sort | uniq -c | sort -nr | awk '$1>=5000 {print $2}'

这里面：

1、udp服务监听nginx发过来的syslog消息，并取10000条，找到其中每条访问记录的ip

2、通过sort 和uniq来获取每个ip出现的次数，并进行降序排列

3、再通过awk找到其中超过阈值的ip，这就得到了我们所需要的结果。

例子2，封禁最近100000条中user agent明显是程序的ip

nc -ul 9514 | head -100000 | awk -F '" "' '$10 ~ /java|feedly|universalfeedparser|apachebench|microsoft url control|python-urllib|httpclient/ {print $2}' | uniq

这里面：

1、通过awk的正则来过滤出问题agent，并将相应ip输出

2、关于agent的正则表达式列出了部分，可以根据实际情况去调整和积累

当然，这里只是列举了简单的例子，有很多的不足之处

1、由于只采用了shell，规则比较简单，可以通过扩展awk或者其他语言的方式来实现更复杂的规则

2、统计的窗口是每100000条，这种统计窗口比较粗糙，好的统计方式需要在每条实时数据收到是对过去的一小段时间(例如5分钟)重新做统计计算

3、不够实时，无法实时的应对攻击行为;生产环境中，需要毫秒级的响应来应对高级爬虫

4、.......

　　拼起来

所有模块组合起来，做一个完整的例子。假设：

1、负载均衡192.168.1.1，使用了官方nginx，并配置了syslog发往192.168.1.2

2、192.168.1.2启动nc server，每隔一段时间进行分析，找出问题ip，并吐给192.168.1.1

3、192.168.1.1通过iptables进行阻拦，数据来源于192.168.1.2的分析机器

除了nginx配置和iptables基本配置，前几段的配置略作改动：

### nginx conf@192.168.1.1

log_format warden '" "$remote_addr" "$remote_port" "$server_addr" "$server_port" "$request_length" "$content_length" "$body_bytes_sent" "$request_uri" "$host" "$http_user_agent" "$status" "$http_cookie" "$request_method" "$http_referer" "$http_x_forwarded_for" "$request_time" "$sent_http_set_cookie" "$content_type" "$upstream_http_content_type" "$request_body"\n';

access_log syslog:server=192.168.1.2:9514 warden ;

### 分析@192.168.1.2, 增加了结果会吐，同时每隔60分钟跑一次，把数据返回给192.168.1.1

while true ; do nc -ul 9514 | head -100000 | awk -F '" "' '{print $2}' | sort | uniq -c | sort -nr | awk '$1>=5000 {print $2}' | tr '\n' ',' | awk '{print $0}' | socat - UDP:192.168.1.1:9515 ; sleep 3600 ; done

### 阻断@192.168.1.1

#基础配置

sudo ipset -N --exist warden_blacklist iphash

sudo iptables -A INPUT -m set --set warden_blacklist src -j DROP

sudo service iptables save

#动态接收并更新iptables

while true ; do sudo ipset --exist destroy warden_blacklist_tmp; sudo ipset -N warden_blacklist_tmp iphash; socat UDP-LISTEN:9515 - | tr , "\n" | xargs -n 1 -I {} sudo ipset -A warden_blacklist_tmp {} ;sudo ipset swap warden_blacklist_tmp warden_blacklist ; sudo ipset list ; done

以上只是简单示例，实际中还是建议换成shell脚本

　　总结

本文列出一种简单的反爬虫方案，由于过于简单，可以当做概念示例或者是救急方案，如果需要进一步深化，需要在以下方面去加强：

1、强化数据源，可以通过流量获得全量数据。目前爬虫等网络攻击逐渐转向业务密切相关的部分，往钱的方向靠近，所以需要更多的业务数据去支撑，而不仅仅是访问日志

2、更灵活的阻断，需要有多种阻断手段和略复杂的阻断逻辑

3、除却ip，还需要考察用户、设备指纹等多种追踪方式，应对移动环境和ipv6环境下，“IP”这一信息的力不从心

4、强化规则引擎和模型，需要考察更多用户行为的特征，仅仅从频率等手段只等应对傻爬虫，同时会造成误杀率更高

5、建立数据存储、溯源、统计体系，方便分析人员去分析数据并建立新的模型和规则。反爬虫是一件持续性行为，需要良好的平台来支撑。

6、可以根据实际需要去做好反爬虫系统的集成。比如nginx数据-->反爬系统-->nginx阻断;F5数据-->反爬系统-->F5阻断

　　作者介绍

岂安科技联合创始人，首席产品技术官

曾担任PayPal资深高级工程师，在可信计算，计算机风控等领域有深入的理论研究和成果;并在防欺诈和风险监控行业有多年且深厚的工作经历，擅长分布式系统和实时大数据计算。他参与岂安科技所有产品线的架构和设计，带领团队在数据挖掘、多媒体分析、跨数据中心分布式系统、高性能实时大数据计算、海量数据采集等领域进行前沿研究和产品化，帮助客户更好的解决内部的安全和风控问题。

(责任编辑：安博涛)