Tomcat和搜索引擎网络爬虫的攻防

不知道广大程序员朋友们注意到一个现象么？用百度是无法搜索到淘宝网的网页。为什么会造成这种现象？这就要从网络爬虫说起了。

咱们程序员如果自己搭设个人网站，在上面分享一些自己的技术文章，面临的一个重要问题就是让搜索引擎能够搜索到自己的个人网站，这样才能让更多的读者访问到。

而搜索引擎如百度和微软Bing搜索，Google搜索等通过什么方式才能收录我们的个人网站呢？

答案是搜索引擎的网络爬虫。 网络爬虫是一个很形象的名词，是属于搜索引擎的工具，只有被这些网络爬虫“爬过”的内容才有机会出现在对应搜索引擎的搜索结果中。

个人站长对网络爬虫是又爱又恨。一方面，网络爬虫可以让我们的个人网站出现在搜索结果里，对我们的个人网站进行扩散。另一方面，如果网络爬虫太多太频繁地访问个人网站，会一定程度上影响正常用户的请求处理。

于是就有了文章开头我提到的百度搜不到淘宝产品信息的文章。

在浏览器里输入https://www.taobao.com/robots.txt，

能看到淘宝网的一个文件robots.txt:

 

随便选一段解释：这个robots.txt的意思是，淘宝网做出了规定，如果网络请求来自百度爬虫(Baiduspider), 那么只允许(allow)百度爬虫读取article, oshtml和/ershou, 不允许读取的是product。

User-agent: Baiduspider

Allow: /article

Allow: /oshtml

Allow: /ershou

Disallow: /product/

Disallow: /

那么淘宝网怎么知道一个请求是来自百度爬虫，还是来自真正的用户访问呢？答案就是HTTP请求的User-agent字段。

下图是我用Chrome访问淘宝网的HTTP请求的User-agent：

Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.84 Safari/537.36

 

再回到Tomcat。如果有大量来自网络爬虫的读取请求，Web服务器需要为每一个请求创建一个session。当Session数量变得巨大时，消耗的服务器内存和资源也是巨大的。

因此，Tomcat对于来自网络爬虫的请求，使用同一个session来处理。

我们打开Tomcat的源代码来学习。

Tomcat的源代码可以到其官网去下载：

https://tomcat.apache.org/download-70.cgi

点这个链接：

 

我下载的是7.0.90版本，只有7MB大。

这里需要注意，即使Spider显式的传了一个 sessionId过来，也会弃用，而是根据client Ip 来进行判断，即对于 相同的 Spider 只提供一个Session。

在下载好的源代码文件夹里，找到这个子文件夹：apache-tomcat-7.0.90-srcjavaorgapachecatalinaalves

打开CrawlerSessionManagerValve.java：

可以看到从第192行代码开始都是Tomcat用来检测进来的网络请求是否是网络爬虫：

 

通过这个类里定义的正则表达式检测HTTP请求的user-agent字段来判断到底该请求是否来自网络爬虫：

 

".*[bB]ot.*|.*Yahoo! Slurp.*|.*Feedfetcher-Google.*"

一旦正则表达式在第205行匹配成功，将第206行的标志位设成true。

 

如果检测到是网络爬虫，则用clientIdSessionId.get这个API获取Tomcat专门为网络爬虫预留的sessionId, 然后在第226行把该sessionId分配到进来的网络爬虫请求，这样就避免了浪费太多的资源申请session来服务海量的网络爬虫请求，节省了Web服务器的资源。