Java Spring Boot中的爬虫防护机制_springboot防止爬虫

原创于 2025-01-27 00:51:34 发布 · 1.1k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#java #spring boot #爬虫

在开始防止爬虫之前，我们首先要了解爬虫的工作原理和特点。爬虫通过发送HTTP请求获取网页内容，然后解析和提取所需数据。它们可以通过模拟浏览器行为，或是使用一些特定的技术来绕过一些常见的防护机制。
以下是对每个小点的完善：

二、使用User-Agent检测爬虫

在Spring Boot中，我们可以通过编写一个拦截器来实现User-Agent的检测。拦截器可以在请求到达控制器之前拦截并检查请求的User-Agent。在拦截器中，我们可以使用正则表达式或者自定义的逻辑来匹配和判断User-Agent是否属于爬虫。如果判断为爬虫，则可以返回一个错误页面或是直接拒绝访问。可以参考以下示例代码：

public class UserAgentInterceptor implements HandlerInterceptor {

    private static final List<String> SPIDER\_USER\_AGENTS = Arrays.asList("bot", "crawler", "spider");

    @Override
    public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception {
        String userAgent = request.getHeader("User-Agent");
        if (userAgent != null && isSpiderUserAgent(userAgent)) {
            // 返回错误页面或拒绝访问
            response.sendRedirect("/error");
            return false;
        }
        return true;
    }

    private boolean isSpiderUserAgent(String userAgent) {
        for (String spiderAgent : SPIDER\_USER\_AGENTS) {
            if (userAgent.toLowerCase().contains(spiderAgent)) {
                return true;
            }
        }
        return false;
    }
}

三、使用验证码防止爬虫

在Spring Boot中，我们可以使用第三方的验证码库，例如Google的reCAPTCHA，来实现验证码的功能。reCAPTCHA将显示一个验证码图片或是一个人机验证的问题，只有用户成功通过验证后，才能继续访问网站。我们需要在网站的表单或登录页面中嵌入reCAPTCHA组件，并在后端进行验证。可以参考以下示例代码：

@RestController
public class CaptchaController {

    @PostMapping("/login")
    public String login(@RequestParam("username") String username, @RequestParam("password") String password, @RequestParam("g-recaptcha-response") String recaptchaResponse) {
        // 验证reCAPTCHA响应是否有效
        boolean isValid = verifyCaptcha(recaptchaResponse);
        if (isValid) {
            // 执行登录逻辑
            return "登录成功";
        } else {
            // 返回错误信息
            return "验证码验证失败";
        }
    }

    private boolean verifyCaptcha(String recaptchaResponse) {
        // 调用reCAPTCHA API验证响应是否有效
        // 验证成功返回true，验证失败返回false
        return true;
    }
}

四、限制频率和并发访问

在Spring Boot中，我们可以使用基于令牌桶算法的限流器来限制每个IP地址的请求频率。令牌桶算法通过设置固定的容量来限制请求的频率，当请求到达时，如果令牌桶中有足够的令牌，则允许请求通过并消耗一个令牌；如果令牌桶中没有足够的令牌，则拒绝请求或进行相应的处理。可以参考以下示例代码：

@Configuration
public class RateLimitConfig {

    @Bean
    public KeyResolver ipKeyResolver() {
        return exchange -> Mono.just(exchange.getRequest().getRemoteAddress().getAddress().getHostAddress());
    }

    @Bean
    public RedisRateLimiter redisRateLimiter() {
        return new RedisRateLimiter(10, 20); // 设置最大10个请求/秒，最大20个请求/分钟
    }

    @Bean
    public RedisRateLimiterArgumentResolver rateLimiterArgumentResolver() {
        return new RedisRateLimiterArgumentResolver();
    }
}

五、使用动态生成的内容

在Spring Boot中，我们可以使用模板引擎来生成动态内容，例如Thymeleaf或Freemarker。模板引擎将根据数据动态地渲染HTML页面，并在每次请求时生成不同的内容。这样，爬虫就无法直接解析静态的HTML页面，从而有效地防止爬虫的解析。可以参考以下示例代码：

<!-- 使用Thymeleaf生成动态内容 -->
<!DOCTYPE html>
<html xmlns:th="http://www.thymeleaf.org">
<body>
    <h1 th:text="${title}">Welcome</h1>
    <p th:text="${message}">Hello, World!</p>
</body>
</html>

@RestController
public class DynamicContentController {

    @GetMapping("/")
    public ModelAndView home() {
        ModelAndView modelAndView = new ModelAndView("home");
        modelAndView.addObject("title", "Welcome");
        modelAndView.addObject("message", "Hello, World!");
        return modelAndView;
    }
}

六、使用反爬虫技术

除了前面提到的常用防护机制，还可以使用其他一些高级的反爬虫技术来增加爬虫的难度。例如，我们可以使用JavaScript或Web Socket来动态加载页面内容，或是使用Cookie和Session来验证用户的身份。这些技术可以在后端进行一些特定的处理，增加爬虫的难度，并提高网站的防护能力。具体的实现方式需要根据实际情况进行选择和调整。

七、案例

以下是3个案例，展示如何使用Spring Boot框架来实现防止爬虫的功能：

1. 使用User-Agent检测爬虫

假设我们的网站需要防止搜索引擎爬虫的访问。我们可以编写一个拦截器，在每个请求到达控制器之前检查请求的User-Agent。如果User-Agent是某个已知的搜索引擎爬虫的标识，我们可以返回一个错误页面或是直接拒绝访问。以下是示例代码：

public class UserAgentInterceptor implements HandlerInterceptor {

    private static final List<String> SEARCH\_ENGINE\_USER\_AGENTS = Arrays.asList(
            "Googlebot", "Bingbot", "Baiduspider", "YandexBot");

    @Override
    public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception {
        String userAgent = request.getHeader("User-Agent");
        if (userAgent != null && isSearchEngineUserAgent(userAgent)) {
            // 返回错误页面或拒绝访问
            response.sendRedirect("/error");
            return false;
        }
        return true;
    }

    private boolean isSearchEngineUserAgent(String userAgent) {
        for (String searchEngineAgent : SEARCH\_ENGINE\_USER\_AGENTS) {
            if (userAgent.contains(searchEngineAgent)) {
                return true;
            }
        }
        return false;
    }
}

2. 使用验证码防止爬虫

假设我们的网站有一个评论功能，为了防止机器人自动发表垃圾评论，我们可以在评论表单中嵌入reCAPTCHA验证码组件。只有用户在填写评论前通过了验证码验证，才能提交评论。以下是示例代码：