防止下载链接被爬虫抓取，有没有最好的方法？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2555 天前的主题，其中的信息可能已经有所发展或是发生改变。

目前服务器上几百个 G 的文件全都是静态文件下载地址，只要是幼儿园大班毕业的人都可以不费吹灰之力写个爬虫爬下来，如果想要彻底屏蔽爬虫，包括 Googlebot、bingbot 之类的全都屏蔽了，只允许普通用户用浏览器正常点击后下载，有哪些办法，我目前想了一些办法都不成熟：

用户注册登录后才能下载，注册页面加上 recaptcha，弊端就是一个“注册登录”会烦掉很多用户，况且 recaptcha 在大陆没法使用
输入验证码后下载，感觉繁琐而麻烦
客户端 js 生成一个 token 和服务器端 php 进行校对，这个能屏蔽很多 file_get_contents，但是对于 phantomjs 等无头浏览器无能为力
Google 了一下有很多检验客户端是否为 headless 浏览器的方法，但感觉这些方法随着 phantomjs 不断升级都会不断失效，于是我在想对一个下载按钮比如：“点此下载文件”，每次点击记录鼠标的坐标，如果每次鼠标的坐标像素值（ e.pageX 和 e.pageY ）都一模一样，就判断为爬虫然后返回脏数据，就是不知道这种原理该怎样实现？用 cookie 来记录？
蜜罐法，这个貌似很不靠谱，因为我写爬虫第一时间都是去看它的 robots 有没有蜜罐

上面就当抛砖引玉吧，不知道各位 V 友有没有好点的办法？不胜感激

爬虫

下载

phantomjs

reCaptcha

51 条回复 • 2017-11-13 23:26:24 +08:00

jugelizi

2017-11-12 10:30:05 +08:00

只能说过滤大部分
没有技术能百分百

js 生成动态下载链接一次性复制出来过期就失效

Reign

2017-11-12 10:35:39 +08:00

@jugelizi 对 phantomjs 来说，你这个不成立

jamfer

2017-11-12 10:37:46 +08:00

给下载链接生成一次性下载地址，XX 分钟后失效

xmcp

2017-11-12 10:37:53 +08:00 via iPhone

recaptcha 在大陆可以用，参见 waifu2x.udp.jp 。此贴终结。

dong3580

2017-11-12 10:43:35 +08:00 via Android

一次性 hash 链接，后端给出链接下载，链接一旦生成在请求就失效了，所以你需要一个表记录。

Reign

2017-11-12 10:46:04 +08:00

@jamfer
@dong3580 这些防不了 phantomjs 啊

Kilerd

2017-11-12 10:51:21 +08:00

phantomjs 使用得恰当，跟真人访问无差。

如果楼主找到一个能防 phantom 的方法，请麻烦告诉我一下，谢谢

skyjerry

2017-11-12 10:51:49 +08:00 via iPhone

点击下载弹出 confirm 哈哈

kimown

2017-11-12 10:56:02 +08:00 via Android

简化注册登陆流程，比如说只支持微信扫码登陆，虽然本人极为讨厌这种方法，但可以解决问题

fiht

2017-11-12 11:07:10 +08:00

上个滑动验证码能解决很大一部分爬虫。---别的都是扯淡

crab

2017-11-12 11:12:23 +08:00

手机发短信才能获取一次性 hash 下载链接。

alvinbone88

2017-11-12 11:16:37 +08:00

下载页加 ReCaptcha
附一个国内能用的 ReCaptcha API 地址
https://recaptcha.net/recaptcha/api.js

vicki

2017-11-12 11:18:59 +08:00 via iPhone

做 ip 时间次数等限制

lianyue

2017-11-12 11:21:25 +08:00

一个 ip x （分钟，小时，天）内下载数量超过 x 次加验证码就好了，，拖拽验证的那种或者 ReCaptcha

zea

2017-11-12 12:09:36 +08:00

"幼儿园大班毕业"这个有点……

opengps

2017-11-12 12:11:58 +08:00

ua 信息过滤，reffer 过滤，ip 过滤（排斥来自阿里云腾讯云的网段），下载链接有效期设置等方法

won

2017-11-12 12:12:31 +08:00

中间加个 token 服务器，被破解了就换 token

colincat

2017-11-12 12:18:06 +08:00 via iPhone

滑动验证码

xeis

2017-11-12 12:30:41 +08:00 via Android

后台用不显示的字符混淆链接，发到前端，只允许复制，不可以点击

wk110

2017-11-12 12:38:00 +08:00

做一个限制搜索引擎的 roobts,限制在你的那个下载文件的目录里。这样可能会好一点，针对所有爬虫

chinvo

2017-11-12 12:38:15 +08:00

Invisible ReCaptcha + user-agent, refer, ip (asn) 过滤 + 一次性 token + js 动态输出地址

你还可以丧心病狂地把 ReCaptcha 换成门罗币挖矿“验证码”

至于 phantomjs，说实话一切技术手段只能增加获取难度而不能完全杜绝。

chinvo

2017-11-12 12:40:21 +08:00

至于你说的点击坐标问题，那就是 Invisible ReCaptcha 做的工作。

而且你自己实现简单的判断，爬虫里面加个 random 函数就废了。

所以还是信任 ReCaptcha 吧。

另外 ReCaptcha 的 api，把 google.com 替换成 recaptcha.net 可在国内正常工作。

picone

2017-11-12 13:01:59 +08:00 via iPad

除了楼上的，还可以
频率限制，正常用户不会下载那么多资源
又或者下载要付出代价，比如积分

stanjia

2017-11-12 13:23:07 +08:00

关闭网站...

hkbtele

2017-11-12 13:30:08 +08:00 via Android

点击输入邮箱，生成一个动态下载链接发给邮箱，感觉好烦人……

janxin

2017-11-12 13:36:20 +08:00 via iPhone

如果是通用爬虫加上一次性 token 就够了，如果是防止用户下载，可以换其他方式，没必要对着爬虫来

winglight2016

2017-11-12 13:49:55 +08:00

要求打开网页才能下载这个不就是想多点广告费吗？告诉你一个好办法：把下载链接隐藏在 N 个第三方网站之后，比如：我常用的一个下载电子书的网站是这样做的，先点击进入一个网盘网站（限 ip 和间隔时间加验证码），通过后进入一个短链网站（ google captcha+限时），基本上这么折腾会过滤掉大部分爬虫和小部分用户。

所以，楼主到底是什么资料？有没有这么宝贵，可以让人不计麻烦的下载，或者反过来想，真这么宝贝，外包出去手动下载也不是不行啊

laqow

2017-11-12 14:13:36 +08:00 via Android

没有公开的链接怎么批量爬？感觉楼主把文件名改成没规律的字符，前面加个随机的文件夹名，下载页加点认证校验方式，大文件附网盘链接。或者把文件下载丢到不记流量但带宽很小的服务器上去就可以了吧？

clino

2017-11-12 15:43:17 +08:00 via Android

要不你弄一个只有鼠标移过去才能正常下载的，这样是不是能防一点无头爬的方式？

yuanfnadi

2017-11-12 16:41:25 +08:00 via iPhone

门罗币 hash 验证码

优点完全不怕爬虫因为每次下载都需要点击然后计算 hash 就算是无头浏览器也要消耗大量资源来计算。对于普通用户操作简单，只需要点按就可以。

缺点手机计算很慢不过手机本身就很少下载东西。

anmaz

2017-11-12 17:12:40 +08:00 via Android

文件放第三方云存储产品，只给连接地址和密码，省钱

as9t

2017-11-12 22:24:51 +08:00

滑动图片验证

sunwei0325

2017-11-12 22:37:52 +08:00

本是同根生相煎何太急

kmahyyg

2017-11-12 22:49:10 +08:00 via Android

推荐 geetest

flynaj

2017-11-12 23:03:55 +08:00 via Android

限时链接，屏蔽一部分，要彻底不可能

maskerTUI

2017-11-12 23:07:25 +08:00 via iPhone

微信扫码登陆下载

firefox12

2017-11-13 00:30:09 +08:00 via iPad

简单的反爬虫，中文显示三加多少等于 201 ？结合加减乘除四种算法，可以解决很多爬虫。

SlipStupig

2017-11-13 01:53:02 +08:00

@wk110 你这个是胡扯，robots 协议是“君子协议”,不遵守也有点事没有

@Kilerd 当然有一些办法啊，比如：检测 UA 头，如果是 phantomjs 就假数据，你肯定会说我可以换 UA 头啊，这个可以针对一些浏览器内核进行针对性检测，比如：chrome，可以用 websocket 等比较新的浏览器特性请求一下，如果是 firefox，可以使用尝试违法 CSP，firefox 是 CSP 是默认开启的，每种浏览器都有自己的特性可以利用，还有各种小 trick，比如：refer 检测，ip 请求阈值，用 canvas 收集客户端指纹（避免切换代理）、stroge+cookie 加密埋点对客户端访问历史进行 traceback 等等吧，我想说的是 phantomjs 并非无解