網(wǎng)絡(luò)爬蟲概述

網(wǎng)絡(luò)爬蟲(Web Crawler)，又稱網(wǎng)絡(luò)蜘蛛(Web Spider)或網(wǎng)絡(luò)機(jī)器人(Web Robot)，是一種按照一定的規(guī)則自動(dòng)抓取萬維網(wǎng)資源的程序或者腳本，已被廣泛應(yīng)用于互聯(lián)網(wǎng)領(lǐng)域。搜索引擎使用網(wǎng)絡(luò)爬蟲抓取Web網(wǎng)頁、文檔甚至圖片、音頻、視頻等資源，通過相應(yīng)的索引技術(shù)組織這些信息，提供給搜索用戶進(jìn)行查詢。隨著網(wǎng)絡(luò)的迅速發(fā)展，萬維網(wǎng)成為大量信息的載體，如何有效地提取并利用這些信息成為一個(gè)巨大的挑戰(zhàn)。不斷優(yōu)化的網(wǎng)絡(luò)爬蟲技術(shù)正在有效地應(yīng)對這種挑戰(zhàn)，為高效搜索用戶關(guān)注的特定領(lǐng)域與主題提供了有力支撐。網(wǎng)絡(luò)爬蟲也為中小站點(diǎn)的推廣提供了有效的途徑，網(wǎng)站針對搜索引擎爬蟲的優(yōu)化曾風(fēng)靡一時(shí)。

傳統(tǒng)網(wǎng)絡(luò)爬蟲從一個(gè)或若干個(gè)初始網(wǎng)頁的URL(Universal Resource Locator統(tǒng)一資源定位符)開始，獲得初始網(wǎng)頁上的URL，在抓取網(wǎng)頁的過程中，不斷從當(dāng)前頁面上抽取新的URL放入隊(duì)列，直到滿足系統(tǒng)的一定條件停止抓取。現(xiàn)階段網(wǎng)絡(luò)爬蟲已發(fā)展為涵蓋網(wǎng)頁數(shù)據(jù)抽取、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、語義理解等多種方法綜合應(yīng)用的智能工具。

網(wǎng)絡(luò)爬蟲的安全性問題

由于網(wǎng)絡(luò)爬蟲的策略是盡可能多的“爬過”網(wǎng)站中的高價(jià)值信息，會(huì)根據(jù)特定策略盡可能多的訪問頁面，占用網(wǎng)絡(luò)帶寬并增加Web服務(wù)器的處理開銷，不少小型站點(diǎn)的站長發(fā)現(xiàn)當(dāng)網(wǎng)絡(luò)爬蟲光顧的時(shí)候，訪問流量將會(huì)有明顯的增長。惡意用戶可以利用爬蟲程序?qū)eb站點(diǎn)發(fā)動(dòng)DoS攻擊，使Web服務(wù)在大量爬蟲程序的暴力訪問下，資源耗盡而不能提供正常服務(wù)。惡意用戶還可能通過網(wǎng)絡(luò)爬蟲抓取各種敏感資料用于不正當(dāng)用途，主要表現(xiàn)在以下幾個(gè)方面：

1)搜索目錄列表

互聯(lián)網(wǎng)中的許多Web服務(wù)器在客戶端請求該站點(diǎn)中某個(gè)沒有默認(rèn)頁面的目錄時(shí)，會(huì)返回一個(gè)目錄列表。該目錄列表通常包括可供用戶點(diǎn)擊的目錄和文件鏈接，通過這些鏈接可以訪問下一層目錄及當(dāng)前目錄中的文件。因而通過抓取目錄列表，惡意用戶往往可獲取大量有用的資料，包括站點(diǎn)的目錄結(jié)構(gòu)、敏感文件以及 Web服務(wù)器設(shè)計(jì)架構(gòu)及配置信息等等，比如程序使用的配置文件、日志文件、密碼文件、數(shù)據(jù)庫文件等，都有可能被網(wǎng)絡(luò)爬蟲抓取。這些信息可以作為挑選攻擊目標(biāo)或者直接入侵站點(diǎn)的重要資料。

2)搜索測試頁面、手冊文檔、樣本程序及可能存在的缺陷程序

大多數(shù)Web服務(wù)器軟件附帶了測試頁面、幫助文檔、樣本程序及調(diào)試用后門程序等。這些文件往往會(huì)泄漏大量的系統(tǒng)信息甚至提供繞過認(rèn)證直接訪問Web服務(wù)數(shù)據(jù)的方法，成為惡意用戶分析攻擊Web服務(wù)器的有效情報(bào)來源。而且這些文件的存在本身也暗示網(wǎng)站中存在潛在的安全漏洞。

3)搜索管理員登錄頁面

許多網(wǎng)絡(luò)產(chǎn)品提供了基于Web的管理接口，允許管理員在互聯(lián)網(wǎng)中對其進(jìn)行遠(yuǎn)程管理與控制。如果管理員疏于防范，沒有修改網(wǎng)絡(luò)產(chǎn)品默認(rèn)的管理員名及密碼，一旦其管理員登錄頁面被惡意用戶搜索到，網(wǎng)絡(luò)安全將面臨極大的威脅。

4)搜索互聯(lián)網(wǎng)用戶的個(gè)人資料

互聯(lián)網(wǎng)用戶的個(gè)人資料包括姓名、身份證號(hào)、電話、Email地址、QQ號(hào)、通信地址等個(gè)人信息，惡意用戶獲取后容易利用社會(huì)工程學(xué)實(shí)施攻擊或詐騙。

因此，采取適當(dāng)?shù)拇胧┫拗凭W(wǎng)絡(luò)爬蟲的訪問權(quán)限，向網(wǎng)絡(luò)爬蟲開放網(wǎng)站希望推廣的頁面，屏蔽比較敏感的頁面，對于保持網(wǎng)站的安全運(yùn)行、保護(hù)用戶的隱私是極其重要的。

基于網(wǎng)絡(luò)爬蟲技術(shù)的Web漏洞掃描

前面提到的網(wǎng)絡(luò)爬蟲對網(wǎng)站的間接安全威脅，是通過對網(wǎng)絡(luò)站點(diǎn)的信息收集為不法份子的非法訪問、攻擊或詐騙作準(zhǔn)備。隨著安全技術(shù)的發(fā)展，利用網(wǎng)絡(luò)爬蟲技術(shù)對Web漏洞的直接探測已經(jīng)出現(xiàn)，這會(huì)直接影響到Web服務(wù)器的安全。Web服務(wù)器漏洞中，跨站腳本(Cross Site Script)漏洞與SQL注入(SQL Injection)漏洞所占比例很高，這兩種漏洞均可以通過對網(wǎng)絡(luò)爬蟲的改進(jìn)來進(jìn)行探測。由于缺乏足夠的安全知識(shí)，相當(dāng)多的程序員在編寫Web應(yīng)用程序時(shí)對網(wǎng)頁的請求內(nèi)容缺乏足夠的檢查，使得不少Web應(yīng)用程序存在安全隱患。用戶可以通過提交一段精心構(gòu)造的包含SQL語句或腳本的URL請求，根據(jù)程序的返回結(jié)果獲得有關(guān)的敏感信息甚至直接修改后臺(tái)數(shù)據(jù)?；谀壳暗陌踩F(xiàn)狀，網(wǎng)絡(luò)爬蟲技術(shù)在Web漏洞掃描上的應(yīng)用，大大提高了發(fā)現(xiàn)漏洞的效率。

基于網(wǎng)絡(luò)爬蟲技術(shù)的Web漏洞掃描大至分為如下過程：

1)頁面過濾：通過自動(dòng)化的程序抓取網(wǎng)站頁面，對包含

等標(biāo)簽的Web頁面進(jìn)行URL提取處理，這些HTML標(biāo)簽中包含URL信息，便于惡意用戶進(jìn)行更深入的Web訪問或提交操作。

2)URL 匹配：對Web頁面中的URL進(jìn)行自動(dòng)匹配，提取由參數(shù)組合而成的動(dòng)態(tài)查詢URL或提交URL，進(jìn)行下一步的漏洞探測。如動(dòng)態(tài)查詢 URL“http://baike.xxxx.com/searchword/?word=frameset&pic=1”，其中 frameset為URL中動(dòng)態(tài)的參數(shù)部分，可以進(jìn)行參數(shù)變換。提交URL用于把Web用戶的輸入提交到服務(wù)器進(jìn)行處理，其參數(shù)多為用戶輸入，同樣可以進(jìn)行參數(shù)變換。

3)漏洞試探：根據(jù)動(dòng)態(tài)查詢URL或提交URL，自動(dòng)在參數(shù)部分進(jìn)行參數(shù)變換，插入引號(hào)、分號(hào)(SQL注入對其敏感)及 script標(biāo)簽(XSS對 其敏感)等操作進(jìn)行試探，并根據(jù)Web服務(wù)器返回的結(jié)果自動(dòng)判斷是否存在漏洞。如“URL匹配”中的動(dòng)態(tài)查詢URL可以變換成 http://baike.xxxx.com/searchword/?word= &pic=1進(jìn)行跨站腳本漏洞探測。

如何應(yīng)對爬蟲的安全威脅

由于網(wǎng)絡(luò)爬蟲帶來的安全威脅，不少網(wǎng)站的管理人員都在考慮對爬蟲訪問進(jìn)行限制甚至拒絕爬蟲訪問。實(shí)際上，根據(jù)網(wǎng)站內(nèi)容的安全性及敏感性，區(qū)別對待爬 蟲是比較理想的措施。網(wǎng)站的URL組織應(yīng)該根據(jù)是否為適合大范圍公開，設(shè)置不同的URL路徑，在同一Web頁面中既有需要完全公開信息也有敏感信息時(shí),應(yīng) 通過鏈接、標(biāo)簽嵌入網(wǎng)頁等方式顯示敏感內(nèi)容，另外盡可能把靜態(tài)頁面等經(jīng)評估安全性較高的頁面與安全性較差的動(dòng)態(tài)頁面從URL上分開。當(dāng)限制爬蟲時(shí)可以針對 URL路徑的安全性與敏感性對不同種類的爬蟲與代理進(jìn)行限制。

限制爬蟲可以通過以下幾種方法實(shí)現(xiàn)：

1) 設(shè)置robots.txt文件

限制爬蟲最簡單的方法是設(shè)置robots.txt文件。robots.txt文件是搜索引擎爬蟲訪問網(wǎng)站的時(shí)候要查看的第一個(gè)文件，它告訴爬蟲程序在服務(wù)器上什么文件是可以被查看的，如設(shè)置Disallow: /，則表示所有的路徑均不能查看。遺憾的是并不是所有的搜索引擎爬蟲會(huì)遵守這個(gè)規(guī)則，因此僅僅設(shè)置robots文件是不夠的。

2) User Agent識(shí)別與限制

要對不理會(huì)robots.txt文件的爬蟲訪問進(jìn)行限制，首先要把爬蟲流量與普通用戶的訪問流量進(jìn)行區(qū)分，即對其進(jìn)行識(shí)別。一般的爬蟲程序都可以通過其 HTTP請求中的User Agent字段進(jìn)行識(shí)別，該字段使服務(wù)器能夠識(shí)別客戶使用的操作系統(tǒng)及版本、CPU類型、瀏覽器及版本、瀏覽器渲染引擎、瀏覽器語言、瀏覽器插件等。爬蟲的User Agent字段一般與瀏覽器的有所不同，如Google搜索引擎爬蟲User Agent字段中會(huì)有類似Googlebot的字符串，如User-Agent: Googlebot/2.1 ( http://www.google.com/bot.html)，百度搜索引擎爬蟲則會(huì)有類似Baiduspider的字符串。不少Web服務(wù)器軟件如 Apache，可以設(shè)置通過User Agent字段進(jìn)行訪問過濾，可以比較有效的限制大部分爬蟲的訪問。

3) 通過訪問行為特征識(shí)別與限制

對于在HTTP請求的User Agent字段刻意偽裝成瀏覽器的爬蟲，可以通過其訪問行為特征進(jìn)行識(shí)別。爬蟲程序的訪問一般是有規(guī)律性的頻率比較高，區(qū)別于真實(shí)用戶瀏覽時(shí)的隨意性與低 頻率。對這類爬蟲的限制原理與DDoS攻擊的防御原理很相似，都基于統(tǒng)計(jì)數(shù)據(jù)。對于這類爬蟲的限制只能通過應(yīng)用識(shí)別設(shè)備、IPS等能夠做深度識(shí)別的網(wǎng)絡(luò)設(shè) 備來實(shí)現(xiàn)。用網(wǎng)絡(luò)設(shè)備限制網(wǎng)絡(luò)爬蟲，不僅比較全面，而且非常適合在多服務(wù)器情況下進(jìn)行統(tǒng)一的管理，避免多服務(wù)器單獨(dú)管理有可能造成的疏漏。

結(jié)束語

網(wǎng)絡(luò)爬蟲及其對應(yīng)的技術(shù)為網(wǎng)站帶來了可觀訪問量的同時(shí)，也帶來了直接與間接的安全威脅，越來越多的網(wǎng)站開始關(guān)注對網(wǎng)絡(luò)爬蟲的限制問題。隨著互聯(lián)網(wǎng)的 高速發(fā)展，基于網(wǎng)絡(luò)爬蟲與搜索引擎技術(shù)的互聯(lián)網(wǎng)應(yīng)用將會(huì)越來越多，網(wǎng)站管理員及安全人員，有必要了解爬蟲的原理及限制方法，準(zhǔn)備好應(yīng)對各種各樣的網(wǎng)絡(luò)爬蟲。