可恶的爬虫直接把生产6台机器爬挂了！
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 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;
}
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吧。
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
将要添加的元素给k个哈希函数 得到对应于位数组上的k个位置 将这k个位置设为1
布隆过滤器查询元素
将要查询的元素给k个哈希函数 得到对应于位数组上的k个位置 如果k个位置有一个为0，则肯定不在集合中 如果k个位置全部为1，则可能在集合中
使用BloomFilter
引入pom
com.google.guava
guava
23.0
public static int count = 1000000;
private static BloomFilter 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)));
}
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 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
}
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。