我的博客用的 Nginx 做服务器，我用 Python 写了个日志过滤器，目的是把所有搜索引擎、网络爬虫等流量过滤掉，只展现普通用户的访问。Nginx 的日志记录主要分为如下几种：
- 普通用户
- DNSPod
- 搜索引擎
- RSS 订阅
上面这几种可以从 User-Agent 分辨出来。但有些 IP，我在 ipip.net 上查询，发现指向一些机房，并说明是机器人，像这种该怎么过滤出来呢？
大家有什么思路，欢迎分享。
请不要在回答技术问题时复制粘贴 AI 生成的内容
This topic created in 2580 days ago, the information mentioned may be changed or developed.
 | 1 jugelizi Apr 21, 2019  2 看有没有 js css 的日志 大部分机器还没必要开浏览器 所以一个 IP 重来不请求 js 文件几乎确认是爬虫 |
2
hakono Apr 21, 2019 2 一个是请求频率，再一个是请求路径是否正常
请求频率这个没啥好说的
路径这个，比如如果一个 ip 按着 /book/1 /book/2 /book/3 这种普通用户不会采用的访问姿势路访问下去，那 100%是爬虫。或者在页面里放入蜜罐地址，爬虫识别的到但用户看不到，有时候写爬虫的可能不在乎这点就掉坑里了
再一个非常有效的方法就是后台偷偷换个新 api，但保留旧 api。
前端使用新 api，而旧 api 因为没有被关闭，爬虫还能正常读取，如果不是直接从页面里提取 api 的爬虫，代码不会立刻更新，那么更新上线后依旧在用旧 api 的 100%是爬虫。
再一个就是上面说的，检测 js css favo.ico 这些文件。没采用 headless 浏览器的爬虫，用这方式检测一抓一个准
请求频率这个没啥好说的
路径这个，比如如果一个 ip 按着 /book/1 /book/2 /book/3 这种普通用户不会采用的访问姿势路访问下去，那 100%是爬虫。或者在页面里放入蜜罐地址，爬虫识别的到但用户看不到，有时候写爬虫的可能不在乎这点就掉坑里了
再一个非常有效的方法就是后台偷偷换个新 api，但保留旧 api。
前端使用新 api，而旧 api 因为没有被关闭，爬虫还能正常读取，如果不是直接从页面里提取 api 的爬虫，代码不会立刻更新，那么更新上线后依旧在用旧 api 的 100%是爬虫。
再一个就是上面说的，检测 js css favo.ico 这些文件。没采用 headless 浏览器的爬虫，用这方式检测一抓一个准
| 3 hakono Apr 21, 2019 至于那些采用了 headless 浏览器的爬虫，这就是完全另外的思路了 比如想办法找漏洞，看看能不能检测到浏览器的环境 如果个点比较难，剩下的就是大数据，ai 分析这条路了。看到过几个大公司就有招聘识别用户操作是否合规的 ai 工程师，顺便还能抓外挂 |
 | 4 freemoon Apr 21, 2019 * useragent 是否合法 * 请求频率是否稳定 * 请求路径是否有规律，楼上说的 /book/1,/book/2 这种 * 是否某一段时间有大量 IP 短时高频请求服务器(反常行为) 如果以上都正常，即使是爬虫也不妨碍服务器运行。 |
Select Language