资源防采集：产品如何进行防采集处理？

2017-09-11 14:31:00

作者对资源窃取进行了一定的介绍分析，并分享了一些防护措施，希望对你有益。

近一两年中，“内容为王”被越来越多的互联网人所提及，就连BAT这些大佬级别的公司，也开始在内容领域投入大量的人力财力，各种资源内容层出不穷。但在这个时期，很多产品因风控意识不强、版权意识不足等问题，导致了大量核心资源外泄。今天我们就来简单聊聊如何防止这些“无形的偷盗者”。（此篇非技术篇，技术大神们手下留情）

偷盗者常用的盗窃手段

在文章开始，我们先简单聊聊我理解的恶意采集。所谓的恶意采集，就是将别家网站的图片、文字、视频、音频等资源下载至自家服务器，经简单处理后放入自家网站使用的过程。从这个定义中，我们可以看到，恶意采集是一种损人利己的行为。但是类似于百度蜘蛛、google蜘蛛这种可以带来流量的采集，我们不将他计入恶意采集的范畴。

接下来进入正题，我们来看看采集者通常是通过什么手段来采集我们的资源的。

盗取下载链接

这种盗取方式很好理解，在很多下载网站中（如百度文库、道客巴巴、21世纪教育网），当用户去请求下载的时候，服务器通常会返回一个下载链接给浏览器，用于下载。在这个过程中，采集者会将链接拦截下来，进行相应的解析，再通过脚本执行自动下载。喝杯茶的功夫，资源已经被采集走了。

百度文库资源下载页面

盗取页面的内容

很多网站为了用户体验，通常会将一部分想看到的数据，直接加载在页面上，让用户进行查看。这时候采集者只需要解析页面的html结构，就能将页面的信息全部采集下来。百度爬虫、快照、页面采集基本上都是用了这个原理。

起点中文网

直接盗取web数据库

这个就比较高级了，采集者通常会编写一个爬虫，让爬虫自动发现网站上的查询接口，并且模拟接口的数据标准，向接口传输相应的查询指令，最后将返回的数据进行整理处理，就完成了相应的资源采集。

手动采集

手动采集从字面上理解，就是通过人工进行资源的采集，这种方式适用范围比较灵活，可以通过资源下载、复制等人工方式进行资源的采集。这种方式看着很low，效率很低。但往往这种采集方式，让人无比头疼。

PS：1个用户在A网站下载了一份word资料，经过简单编辑后，上传到自己的网站上进行使用。这个过程就无法通过技术手段进行跟踪（整个过程全是用户的真实操作），即使发现了这种现象，也无法确定对方盗取了自己的资源，因为你没有切实可行的证据。此处大家可以思考一下，百度文库的一部分内容是怎么来的。

防采集方法策略

上文中简单介绍了部分采集者的采集手段，接下来我们聊聊该如何进行防采集处理。

应对下载链接泄露的策略

上图为一份资料的下载流程，通过这个流程，我们发现，如果采集者可以直接拿到步骤3的下载链接，是可以不需要经过步骤2的验证，直接下载资源。这样我们就清楚了，要防止这种采集方式的话，我们的重点在于不让用户拿到资源的下载链接。那我们就可以按照下面的方式进行处理：

将下载链接进行加密

程序猿在开发过程中，基本都会进行下载链接的加密处理。加密就好比一把钥匙，没有钥匙就开不了锁，加密一样的，不知道解密方式，是无法破解你的下载链接，这样便实现了资源的防采集。

解密是需要知道加密规则的，所以在做加密处理的时候，最好不要使用第三方机加密规则，自己做最安全。定期维护加密规则，也是有必要的。

防止采集者拦截下载链接

有一部分采集者，会在步骤3与步骤4之间，拦截传输出去的下载链接。这样他不需要经过步骤2，一样能拿到我们返回的下载链接进行下载。遇到这种情况的时候，我们可以考虑在下载url加入用户验证。在浏览器解析url的时候，验证当前用户是否是我们的下载用户，达到防采集的目的。除非用户能拿到我们的账户信息，否则是不能采集到我们的内容。但是这种方法无法支持断点下载。

告诉你一个秘密，将网站升级升https协议，可有效的防止数据的拦截哦。

应对页面采集的策略

上图为一个页面完成显示的过程，在这个过程中，我们可以发现，采集者如果要拿到这个页面中的数据，必须进行第1步与第3步。所以我们需要在这两步对采集者进行防范，具体的方式如下：

限制请求数量

我们可以通过限制关键数据的请求次数来限制采集者采集数据。这个很好理解，当用户请求数据超过多少次的时候，再次请求，我们将不给他提供相应的数据。这个方法简单粗暴，但是很有效果。在进行限制请求数据的时候，我们需要注意以下几点：

判断数据请求次数时，必须通过用户名（用户ID）进行判断，不能通过IP地址。 IP地址可以伪造，实现1次请求换1个IP都是可以的，所以通过IP地址判断的话，基本没什么效果。
保证账号的注册难度。很多产品仅开放了通过手机注册账号，即使使用第三方登录，也需要绑定相应的手机号码。这大大增加了采集者获取账号的难度。
评估用户每日浏览这些关键数据的次数。尽量不影响用户的正常使用。
提供无法直接使用的数据

页面中加载的所有内容，采集下来都是可以直接使用的，那怎样提供无法直接使用的数据呢？这里就不绕圈子了，所谓无法直接使用的数据，是因为采集的资源带有部分版权，或者格式必须经过转换才能使用。这样便增加了采集的成本，在一定程度上预防了数据擦剂。

上图是一个题库产品的试题展示，他把试题中关键的部分（答案解析）用带水印的图片进行代替。当采集者发现要使用这些数据的话，需要将图片记性处理，而且处理难度较大，成本较高。那还会采吗？

加入干扰数据

将关键数据的html代码中，加入错误/混乱的数据，利用爬虫采集数据的规则，将干扰（混乱）的信息提供采集爬虫，实现防采集的目的。这种方式会对网站的seo造成影响。

提供错误数据

当用户请求数据的次数超过一定频率的时候，再次请求时，可以传输错误的数据给采集者。采集者收录到错误的数据后，会对整批采集的数据都抱有怀疑态度，而不敢使用此批资源。这种采集方式会对seo与用户造成一定的影响，慎用。

通过用户行为分析来防止采集

随着技术越来越发达，对用户行为的分析也逐渐成熟。我们可以将这项技术放在我们防采集领域，通过行为分析，判断用户是机器还是正常用户。是机器的话，我们可以根据情况，弹出验证码进行验证，也可以提供错误的数据。

上述的5种方式，是可以同时进行使用的，例如（1）与（2）合并在一起，在用户未登录的时候提供方案（2），用户已登录时，提供体验更好的方案（1）。更多的组合方式，可以自行进行组合。

应对页面采集时，需要考虑到seo的问题，千万不要将错误信息提供给爬虫（百度、谷歌等爬虫）。所以如果发现是这些“益虫”在采集数据的时候，尽量提供完整且正确的数据给它们吧。

应对手动采集的策略

前文说过，手动采集是最难防的，但是也不是没有应对方式，但是从根本上杜绝，也是很麻烦的。下面我们介绍几种方式：

、页面内容防复制。通过防复制处理，可避免普通用户复制页面内容，但是稍微懂点技术的人员，此功能是形同虚设的。
、限制用户每天的下载量。
、下载的文件中，带有产品的版权信息。视频中带有logo；文件中带水印；文件本身中增加不影响文件使用的标识。当我们的内容被上传到别的网站后，我们可以通过这些标识来维权，并要求对方下架相关资源。
采用人工检测，封号。