是否擔心高頻率爬蟲導(dǎo)致網(wǎng)站癱瘓？

別擔心，現(xiàn)在有一個Python寫的神器——crawlerdetect，幫助你檢測爬蟲，保障網(wǎng)站的正常運轉(zhuǎn)。

1.準備

開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上噢，如果沒有，請訪問這篇文章：超詳細Python安裝指南 進行安裝。如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda：Python數(shù)據(jù)分析與挖掘好幫手—Anaconda

Windows環(huán)境下打開Cmd(開始—運行—CMD)，蘋果系統(tǒng)環(huán)境下請打開Terminal(command+空格輸入Terminal)，準備開始輸入命令安裝依賴。

當然，我更推薦大家用VSCode編輯器，把本文代碼Copy下來，在編輯器下方的終端運行命令安裝依賴模塊，多舒服的一件事啊：Python 編程的最好搭檔—VSCode 詳細指南。

在終端輸入以下命令安裝我們所需要的依賴模塊:

pip install crawlerdetect

看到 Successfully installed xxx 則說明安裝成功。

2.使用方法

它可以通過user-agent、headers等請求頭識別爬蟲或機器人。

因此，你可以傳遞兩種參數(shù)。第一種，使用user-agent檢測機器人：

from crawlerdetect import CrawlerDetect
crawler_detect = CrawlerDetect(user_agent='Mozilla/5.0 (iPhone; CPU iPhone OS 7_1 like Mac OS X) AppleWebKit (KHTML, like Gecko) Mobile (compatible; Yahoo Ad monitoring; https://help.yahoo.com/kb/yahoo-ad-monitoring-SLN24857.html)')
crawler_detect.isCrawler()
# 如果是機器人，這條語句返回True

第二種識別方式會用上全部headers參數(shù)，這種方式比單純用user-agent精準，因為它判斷的依據(jù)更加全面。

from crawlerdetect import CrawlerDetect
crawler_detect = CrawlerDetect(headers={'DOCUMENT_ROOT': '/home/test/public_html', 'GATEWAY_INTERFACE': 'CGI/1.1', 'HTTP_ACCEPT': '*/*', 'HTTP_ACCEPT_ENCODING': 'gzip, deflate', 'HTTP_CACHE_CONTROL': 'no-cache', 'HTTP_CONNECTION': 'Keep-Alive', 'HTTP_FROM': 'googlebot(at)googlebot.com', 'HTTP_HOST': 'www.test.com', 'HTTP_PRAGMA': 'no-cache', 'HTTP_USER_AGENT': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.71 Safari/537.36', 'PATH': '/bin:/usr/bin', 'QUERY_STRING': 'order=closingDate', 'REDIRECT_STATUS': '200', 'REMOTE_ADDR': '127.0.0.1', 'REMOTE_PORT': '3360', 'REQUEST_METHOD': 'GET', 'REQUEST_URI': '/?test=testing', 'SCRIPT_FILENAME': '/home/test/public_html/index.php', 'SCRIPT_NAME': '/index.php', 'SERVER_ADDR': '127.0.0.1', 'SERVER_ADMIN': '[email protected]', 'SERVER_NAME': 'www.test.com', 'SERVER_PORT': '80', 'SERVER_PROTOCOL': 'HTTP/1.1', 'SERVER_SIGNATURE': '', 'SERVER_SOFTWARE': 'Apache', 'UNIQUE_ID': 'Vx6MENRxerBUSDEQgFLAAAAAS', 'PHP_SELF': '/index.php', 'REQUEST_TIME_FLOAT': 1461619728.0705, 'REQUEST_TIME': 1461619728})
crawler_detect.isCrawler()
# 如果是機器人，這條語句返回True

你還可以識別相應(yīng)爬蟲的名字（如果有的話），通過這種方式，你能給一些著名的爬蟲（如baiduspider、googlebot）添加白名單，不進行攔截。

from crawlerdetect import CrawlerDetect
crawler_detect = CrawlerDetect()
crawler_detect.isCrawler('Mozilla/5.0 (compatible; Sosospider/2.0; +http://help.soso.com/webspider.htm)')
# 如果是機器人，這條語句返回True
crawler_detect.getMatches()
# Sosospider

有了這個工具，我們就可以實現(xiàn)實時的爬蟲封禁：

**1. **實時監(jiān)控網(wǎng)站上的http請求，檢測其對應(yīng)的headers.

**2. **如果識別到該請求是機器人（爬蟲）發(fā)出的，就可將其IP記錄下來。

**3. ** 將IP加入到Nginx或Apache的動態(tài)黑名單中，實現(xiàn)實時的爬蟲封禁。

這一套流程我還沒有試驗過，大家有興趣可以試試，理論上可行。