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

[root@server195 ~]# crontab -l

*/3  *  * * *  /usr/local/scripts/flush_iptables.sh

[root@server195 ~]# 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密钥信任

[root@server195 ~]# cat /usr/local/scripts/deny_spider.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);

do

 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

[root@server199 ~]# crontab -l

*/1 *  *             *  *  /usr/local/scripts/check_load.sh

[root@server199 ~]# cat /usr/local/scripts/check_load.sh

#function: trigger deny spider scripts on web server

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 

  fi

三：效果

限制前

<a target="_blank" href="http://blog.51cto.com/attachment/201112/142430875.jpg"></a>

限制后

<a target="_blank" href="http://blog.51cto.com/attachment/201112/142538323.jpg"></a>

web端防火墙列表

<a target="_blank" href="http://blog.51cto.com/attachment/201112/142847189.jpg"></a>

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

&lt;Directory "/data/"&gt;

        Options FollowSymLinks

        AllowOverride None

        Order deny,allow

        Deny from env=bad_bot

        Allow from all

&lt;/Directory&gt;

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

[root@server199 ~]# cat /usr/local/scripts/check_load.sh 

#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 &amp;

    fi

    if   [ $LOAD -lt 4 ];then

         ssh -p 2007 192.168.1.195 /usr/local/scripts/flush_iptables.sh &amp;

   sleep 3 

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