可恶的爬虫直接把生产6台机器爬挂了！

Java专栏 · 公众号 · · 2021-01-21 12:20

正文

引言

正在午睡，突然收到线上疯狂报警的邮件，查看这个邮件发现这个报警的应用最近半个月都没有发布，应该不至于会有报警，但是还是打开邮件通过监控发现是由于某个接口某个接口流量暴增， CPU 暴涨。为了先解决问题只能先暂时扩容机器了，把机器扩容了一倍，问题得到暂时的解决。最后复盘为什么流量暴增？由于最近新上线了一个商品列表查询接口，主要用来查询商品信息，展示给到用户。业务逻辑也比较简单，直接调用底层一个 soa 接口，然后把数据进行整合过滤，排序推荐啥的，然后吐给前端。这个接口平时流量都很平稳。线上只部署了6台机器，面对这骤增的流量，只能进行疯狂的扩容来解决这个问题。扩容机器后问题得到暂时的解决。后来经过请求分析原来大批的请求都是无效的，都是爬虫过来爬取信息的。这个接口当时上线的时候是裸着上的也没有考虑到会有爬虫过来。

解决办法

既然是爬虫那就只能通过反爬来解决了。自己写一套反爬虫系统，根据用户的习惯，请求特征啥的，浏览器 cookie 、同一个请求频率、用户 ID 、以及用户注册时间等来实现一个反爬系统。
直接接入公司现有的反爬系统，需要按照它提供的文档来提供指定的格式请求日志让它来分析。 既然能够直接用现成的，又何必自己重新造轮子呢 。最后决定还是采用接入反爬系统的爬虫组件。爬虫系统提供了两种方案如下：

方案1:

爬虫系统提供批量获取黑名单 IP 的接口（ getBlackIpList ）和移除黑名单 IP 接口（ removeBlackIp ）。业务项目启动的时候,调用 getBlackIpList 接口把所有 IP 黑名单全部存入到本地的一个容器里面（Map、List），中间会有一个定时任务去调用 getBlackIpList 接口全量拉取黑名单（黑名单会实时更新，可能新增，也可能减少）来更新这个容器。
每次来一个请求先经过这个本地的黑名单 IP 池子， IP 是否在这个池子里面，如果在这个池子直接返回爬虫错误码，然后让前端弹出一个复杂的图形验证码，如果用户输入验证码成功（爬虫基本不会去输入验证码），然后把 IP 从本地容器移除，同时发起一个异步请求调用移除黑名单 IP 接口（ removeBlackIp ）,以防下次批量拉取黑单的时候又拉入进来了。然后在发送一个 activemq 消息告诉其他机器这个 IP 是被误杀的黑名单，其他机器接受到了这个消息也就会把自己容器里面这个 IP 移除掉。（其实同步通知其他机器也可以通过把这个 IP 存入 redis 里面，如果在命中容器里面是黑名单的时候，再去 redis 里面判断这个 ip 是否存在 redis 里面，如果存在则说明这个ip是被误杀的，应该是正常请求，下次通过定时任务批量拉取黑名单的时候，拉取完之后把这个 redis 里面的数据全部删除，或者让它自然过期。这种方案： 性能较好，基本都是操作本地内存。但是实现有点麻烦，要维护一份IP黑名单放在业务系统中。

方案2：

爬虫系统提供单个判断IP是否黑名单接口 checkIpIsBlack （但是接口耗时有点长5s）和移除黑名单 IP 接口（ removeBlackIp ）。每一个请求过来都去调用爬虫系统提供的接口（判断 IP 是否在黑名单里面）这里有一个网络请求会有点耗时。如果爬虫系统返回是黑名单，就返回一个特殊的错误码给到前端，然后前端弹出一个图形验证码，如果输入的验证码正确，则调用爬虫系统提供的移除 IP 黑名单接口，把 IP 移除。这种方案： 对于业务系统使用起来比较简单，直接调用接口就好，没有业务逻辑，但是这个接口耗时是没法忍受的，严重影响用户的体验 最终综合考虑下来最后决定采用 方案1 .毕竟系统对响应时间是有要求的尽量不要增加不必要的耗时。

方案1 实现

方案1伪代码实现我们上文《看了CopyOnWriteArrayList后自己实现了一个CopyOnWriteHashMap》有提到过对于读多写少的线程安全的容器我们可以选择 CopyOnWrite 容器。

static CopyOnWriteArraySet blackIpCopyOnWriteArraySet = null;
    /**
     * 初始化
     */
    @PostConstruct
    public void init() {
        // 调用反爬系统接口 拉取批量黑名单
        List blackIpList = getBlackIpList();
        // 初始化
        blackIpCopyOnWriteArraySet = new CopyOnWriteArraySet(blackIpList);
    }

    /**
     * 判断IP 是否黑名单
     * @param ip
     * @return
     */
    public boolean checkIpIsBlack(String ip) {
      boolean checkIpIsBlack =  blackIpCopyOnWriteArraySet.contains(ip);
       if (!checkIpIsBlack ) 
         return false;
       // 不在redis白名单里面
       if (!RedisUtils.exist(String.format("whiteIp_%", ip)){
         return false;
  } 
       return  true;
    }

上线后经过一段时间让爬虫系统消费我们的请求日志，经过一定模型特征的训练，效果还是很明显的。由于大部分都是爬虫很多请求直接就被拦截了，所以线上的机器可以直接缩容掉一部分了又回到了6台。但是好景不长，突然发现 GC 次数频繁告警不断。为了暂时解决问题，赶紧把生产机器进行重启（ 生产出问题之后，除了重启和回退还有什么解决办法吗 ），并且保留了一台机器把它拉出集群，重启之后发现过又是一样的还是没啥效果。通过 dump 线上的一台机器，通过 MemoryAnalyzer 分析发现一个大对象就是我们存放 IP 的大对象，存放了大量的的IP数量。这个IP存放的黑名单是放在一个全局的静态 CopyOnWriteArraySet ，所以每次 gc 它都不会被回收掉。只能临时把线上的机器配置都进行升级，由原来的8核16g直接变为16核32g，新机器上线后效果很显著。 为啥测试环境没有复现？ 测试环境本来就没有什么其他请求，都是内网 IP ，几个黑名单 IP 还是开发手动构造的。

解决方案

业务系统不再维护 IP 黑名单池子了，由于黑名单来自反爬系统，爬虫黑名单的数量不确定。所以最后决定采取方案2和方案1结合优化。

1.项目启动的时候把所有的 IP 黑名单全部初始化到一个全局的布隆过滤器
2.一个请求过来先经过布隆过滤器，判断是否在布隆过滤器里面，如果在的话我们再去看看是否在 redis 白名单里面（误杀用户需要进行洗白）我们再去请求反爬系统判断 IP 是否是黑名单接口，如果接口返回是 IP 黑名单直接返回错误码给到前端，如果不是直接放行（布隆过滤器有一定的误判，但是误判率是非常小的，所以即使被误判了，最后再去实际请求接口，这样的话就不会存在真正的误判真实用户）。如果不存在布隆器直接放行。
3.如果是被误杀的用户，用户进行了 IP 洗白，布隆过滤器的数据是不支持删除（布谷鸟布隆器可以删除（可能误删）），把用户进行正确洗白后的 IP 存入 redis 里面。（或者一个本地全局容器， mq 消息同步其他机器）下面我们先来了解下什么是布隆过滤器吧。

什么是布隆过滤器

布隆过滤器（英语：Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。

上述出自百度百科。说白了布隆过滤器主要用来判断一个元素是否在一个集合中，它可以使用一个位数组简洁的表示一个数组。它的空间效率和查询时间远远超过一般的算法，不过它存在一定的误判的概率，适用于容忍误判的场景。 如果布隆过滤器判断元素存在于一个集合中，那么大概率是存在在集合中，如果它判断元素不存在一个集合中，那么一定不存在于集合中。