蜘蛛，爬虫多,代码质量差下的相对供求平衡策略

需求分析：
由于种种问题，导致蜘蛛访问和抓取量大的的时候，后台数据库高负载，影响正常的用户访问和英文平台的访问！比较推荐的做法是写robot.txt文件，但seo方面又希望对蜘蛛访问不做速度和页面方面的限制，典型的僧多粥少场景，或者使用oracle的资源计划来限制数据库用户的会话连接数，但可能对正常的用户造成影响！所以想做一个相对智能的脚本对爬虫进行适当的限制，保证数据库服务器负载正常的情况下，最大限度的允许爬虫访问，当然这只是治标不治本的方法，临时解决下，正常还是要去优化数据库的SQL,或者用缓存等手段做静态化的页面，再不然就做数据库的读写分离，hiberinate框架生成的SQL不是人看的；

策略原则：
利用防火墙，临时限制蜘蛛访问，降低oracle数据库的负载量，每隔3分钟自动关闭防火墙，尽量减少对蜘蛛访问的影响

一：前端web设置任务计划和相关脚本

[[email protected] ~]# crontab -l
*/3 * * * * /usr/local/scripts/flush_iptables.sh

[[email protected] ~]# cat /usr/local/scripts/flush_iptables.sh
#!/bin/sh
/sbin/iptables -F
/sbin/iptables -X
/sbin/iptables -Z
/sbin/iptables -t nat -F
/sbin/iptables -t nat -X
/sbin/iptables -t nat -Z

防火墙脚本进行蜘蛛IP 60秒动态抽取，该脚本由oracle服务器端来调用，web服务器和oracle服务器之间需要配置ssh**信任

[[email protected] ~]# cat /usr/local/scripts/deny_spider.sh
#!/bin/sh
#function: deny some spider to protect oracle server
#author:lw.yang
#modify_time:2011-12-20

DATE=$(date +%Y%m%d)

rm -rf /tmp/soso_spider_ip.txt /tmp/youdao_spider_ip.txt /tmp/sogou_spider_ip.txt /tmp/baidu_spider_ip.txt
service iptables stop

tail -f /data/apache_logs/access_log_$DATE |grep -i 'spider'|grep -i 'soso' |awk -F ' ' '{print

$3}' >> /tmp/soso_spider_ip.txt &

tail -f /data/apache_logs/access_log_$DATE |grep -i 'spider'|grep -i 'youdao' |awk -F ' '

'{print $3}' >> /tmp/youdao_spider_ip.txt &

tail -f /data/apache_logs/access_log_$DATE |grep -i 'spider'|grep -i 'sogou' |awk -F ' '

'{print $3}' >> /tmp/sogou_spider_ip.txt &

tail -f /data/apache_logs/access_log_$DATE |grep -i 'spider'|grep -i 'baidu' |awk -F ' '

'{print $3}' >> /tmp/baidu_spider_ip.txt &

sleep 60

killall -9 tail

for i in $(cat /tmp/soso_spider_ip.txt /tmp/youdao_spider_ip.txt /tmp/sogou_spider_ip.txt

/tmp/baidu_spider_ip.txt|uniq);

iptables -A INPUT -s $i/32 -p tcp --dport 80 -j DROP

done

二：数据库端的任务计划和相关脚本

[[email protected] ~]# crontab -l
*/1 * * * * /usr/local/scripts/check_load.sh

[[email protected] ~]# cat /usr/local/scripts/check_load.sh
#!/bin/sh
#function: trigger deny spider scripts on web server
#author:lw.yang
#modify_time:2011-12-20

LOAD=$(uptime |awk -F ',' '{print $4}' |awk -F '.' '{print $1}' |cut -d ':' -f 2)

if [ -f /tmp/begin_deny_spider.txt ];then
      exit
      elif [ $LOAD -gt 18 ];then
      date > /tmp/begin_deny_spider.txt
      ssh -p 2007 192.168.1.195 /usr/local/scripts/deny_spider.sh &
      elif [ $LOAD -lt 10 ];then
      rm -rf /tmp/begin_deny_spider.txt
      else
      exit
fi

三：效果
限制前

限制后

web端防火墙列表

四：robot.txt文件和apache配置限制方法参考

# cat robots.txt
User-agent: *
Robot-version: 2.0
Crawl-delay: 10
Request-rate: 90/1m

Disallow: /WEB-INF/

apache配置：

    SetEnvIfNoCase User-Agent "^Sogou"          bad_bot
    SetEnvIfNoCase User-Agent "^Sosospider"     bad_bot
    SetEnvIfNoCase User-Agent "^qihoobot"       bad_bot
    SetEnvIfNoCase User-Agent "^CollapsarWEB"   bad_bot

<Directory "/data/">
        Options FollowSymLinks
        AllowOverride None
        Order deny,allow
        Deny from env=bad_bot
        Allow from all
</Directory>

2011年12月22日更新check_load脚本，采用后台常驻进程运行，取消crontab

[[email protected] ~]# cat /usr/local/scripts/check_load.sh
#!/bin/sh
#function: trigger deny spider scripts on web server
#author:lw.yang
#modify_time:2011-12-22

while true
do
LOAD=$(uptime |awk -F ',' '{print $4}' |awk -F '.' '{print $1}' |cut -d ':' -f 2)

    if [ $LOAD -gt 8 ];then
        ssh -p 2007 192.168.1.195 /usr/local/scripts/deny_spider.sh &
    fi

    if   [ $LOAD -lt 4 ];then
         ssh -p 2007 192.168.1.195 /usr/local/scripts/flush_iptables.sh &
    fi

sleep 3
done

本文转自斩月博客51CTO博客，原文链接http://blog.51cto.com/ylw6006/746553如需转载请自行联系原作者

ylw6006

蜘蛛，爬虫多,代码质量差下的相对供求平衡策略

相关推荐