爬虫：从入门到入狱,进去一起做兄弟

关注

原创 2024-01-05 15:25:17 1.8k 阅读 AI 写同款· GEO 优化 ›

Python 爬虫从入门到入狱之路一正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。给定的字符串是否符合正则表达式的过滤逻辑（“匹配”）；通过正则表达式，从文本字符串中获取我们想要的特定部分（“过滤”）。阅读详情

〇、从入门到入狱

中国爬虫违法违规案例汇总[1]

一、什么是爬虫

二、爬虫的分类

搜索引擎：百度、谷歌

数据采集：天眼查、企查查

薅羊毛：抢票机器人、秒杀软件，比价软件，微博僵尸粉

……

三、爬虫与反爬虫

1. 君子协议：robots.txt

www.baidu.com/robots.txt[2]

1. 最简单的爬虫

Python版

import requests   rsp = requests.get('http://www.httpbin.org/user-agent')

Java版

@Test   public void testHttpclient() throws IOException {       CloseableHttpClient client = HttpClientBuilder.create().build();       HttpGet get = new HttpGet("http://www.httpbin.org/user-agent");       CloseableHttpResponse response = client.execute(get);       HttpEntity entity = response.getEntity();       String string = EntityUtils.toString(entity);       System.out.println(string);   }          @Test   public void testHtmlUnit() throws IOException {       WebClient edge = new WebClient(BrowserVersion.FIREFOX);       edge.getOptions().setCssEnabled(false);       edge.getOptions().setJavaScriptEnabled(true);       edge.getOptions().setThrowExceptionOnFailingStatusCode(false);       edge.getOptions().setThrowExceptionOnScriptError(false);       edge.waitForBackgroundJavaScript(600*1000);       UnexpectedPage page = edge.getPage("http://www.httpbin.org/user-agent");       System.out.println(page.getWebResponse().getContentAsString());   }

加入依赖

<dependency>       <groupId>org.apache.httpcomponents</groupId>       <artifactId>httpclient</artifactId>       <version>4.5.3</version>   </dependency>   <dependency>       <groupId>net.sourceforge.htmlunit</groupId>       <artifactId>htmlunit</artifactId>       <version>2.45.0</version>   </dependency>

但是这样的爬虫很容易通过检测UA头被发现，服务器就可以对这样的爬虫做出反爬的措施。

1. 修改爬虫的UA

Python版

header = {       'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'   }   rsp = requests.get('http://www.httpbin.org/user-agent', headers = header)

Java版

@Test   public void testHttpclient() throws IOException {       CloseableHttpClient client = HttpClientBuilder.create().build();       HttpGet get = new HttpGet("http://www.httpbin.org/user-agent");       get.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36");       CloseableHttpResponse response = client.execute(get);       HttpEntity entity = response.getEntity();       String string = EntityUtils.toString(entity);       System.out.println(string);   }

1. 控制爬虫的频率

修改UA只是第一步，服务器还会针对每个ip地址的请求频率来识别爬虫，比如一分钟内请求几百几千次，一天24小时不间断的请求，这些特征都可以被识别为爬虫程序。所以在大规模抓取数据时，需要对降低抓取频率，比如每次请求后sleep 3~5 秒；但是这样会大大降低抓取的效率，所以这里就需要用到代理IP池——当然也可以通过部署集群的方式来提高爬的速度

代理服务器会转发爬虫请求，这样服务器针对IP的限制就会被绕过。

proxy = {       'http': '',       'https': ''   }   header = {       'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'   }   rsp = requests.get('http://www.httpbin.org/user-agent', headers = header, proxies = proxy)

代理IP分透明代理，匿名代理和高匿代理，透明代理其实并不会隐藏爬虫的真实IP，匿名代理会在请求头里带上爬虫的IP，有一定几率会被识别，高匿代理则会完全隐藏爬虫的IP，更推荐使用。

据说现在互联网上50%以上的流量都是由爬虫产生的，针对一些热门资源这一比例可以高达98%以上。针对这种情况，服务器会需要用户登录才能访问，而简单的登录验证就是将浏览器上的cookie和服务器session绑定起来。

1. 验证码（Completely Automated Public Turing test to tell Computers and Humans Apart，简称CAPTCHA）

对于简单的字母和数字组成的验证码，可以通过自己训练模型来识别，或者使用第三方的打码平台来验证。

def bypassWithDama():       rec_url = "http://pred.fateadm.com"       tm = str(int(time.time()))       sign = CalcSign(pd_id, pd_key, tm)       asign = CalcSign(app_id, app_key, tm)       param = {           "user_id": pd_id,           "timestamp": tm,           "appid": app_id,           "sign":sign,           "asign": asign,           "predict_type": "30600",           "up_type": "mt"       }       url = rec_url + "/api/capreg"       img_data = open('/Users/xuhang/Desktop/captcha.jpeg', 'rb')       files = {           "img_data": ('img_data', img_data)       }       header = {           'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36'       }       rsp_data = requests.post(url, param, files=files, headers=header)       print('【斐斐打码】' + rsp_data.text)       return rsp_data.json()      // 【斐斐打码】{"RetCode":"0","ErrMsg":"","RequestId":"20220303110050322d81ed0007a58386","RspData":"{\"result\": \"yfx5\"}"}

对于像Google的CAPTCHA或者 Intuition的hCaptcha或者arkoselabs的FunCaptcha，这类复杂的验证码，需要识别图片中的物品并点击符合要求的图片，或者将图片旋转到正确的角度，可以使用打码平台的人工打码，由人工完成后将结果返回。

1. 带上登录后的cookie

对于一般安全性不强的网站，并没有针对登录验证做太多的设计，所以爬虫很容易就能实现带cookie访问。

header = {       'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'   }   url = 'https://store.steampowered.com/account/'   rsp = requests.get(url, headers=header, verify=False)

将响应的文本复制到文件中保存为html格式，然后用浏览器打开，虽然是乱码，但是可以看到Login的按钮，说明是未登录的状态。登录steam之后将请求中的cookie复制出来，修改header后再次请求

header = {       'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36',       'Cookie': '...'   }

可以从页面中找到该账号绑定的邮箱和余额等信息，说明登录成功。虽然可以爬到有限制的信息，但是爬虫和账号绑定了，这里代理就不起作用了，频繁爬取的话可能会导致被封号，这里就需要准备多个账号了，好在爬虫可以代替人工申请账号，只是成本会高一些。

虽然上面的操作或多或少可以骗过服务器的检测，但是相比与真实的浏览器，爬虫程序还是会在很多方面存在差异。比如真是浏览器通常会有document，setInterval等对象，爬虫程序缺少这些对象可能会导致某些关键性步骤无法执行，从而被服务器识别出来。另外有些网站需要post提交请求数据，但是某些必需的参数又是经过各种复杂加密混淆之后的结果，有时候可能追踪一个参数忙碌了好几天，成功的爬取了一天，第二天网站改参数了。针对这种情况，我们可以使用真实的浏览器的爬取。

如果是个人网站的站长，通常没有过多的精力来对抗爬虫，简单点的方法就是上面的随机生成验证码，然后加点干扰线。或者接入第三方的验证码平台，比如极验。但是验证码通常只用在有敏感操作的地方，不可能每个请求都要验证码，这时就可以使用网页防火墙之类的服务，通过检查客户端的引擎和一些特征来识别是不是爬虫，这样就可以拦截大部分的爬虫了。

该防火墙最开始是通过浏览器的引擎进行一些计算任务，只有计算正确才能成功跳转，但是已经有人成功用python模拟了计算过程，目前使用的是hCaptcha的验证码。

1. headless浏览器

PhantomJS[3]是一个可以执行javascript脚本的无头网页浏览器，由于Chrome浏览器在17年开始支持无头模式，PhantomJS的作者已经停止维护了，推荐大家去使用Chrome。

下面是PhantomJS的一个demo

var page = require('webpage').create();   page.open('http://www.google.com', function() {       setTimeout(function() {           page.render('google.png');           phantom.exit();       }, 200);   });

这里推荐使用Selenium，这个工具可以驱动Chrome、Firefox、IE、Safari、Opera和PhantomJS，并且提供多种语言的版本，只需要安装相应的浏览器并指定浏览器的驱动路径即可。

# -*- coding: utf-8 -*-   from selenium import webdriver   import time   from selenium.webdriver.common.keys import Keys   from selenium.webdriver import ActionChains      """   如果控制台出现乱码，尝试修改编码格式：chcp <编码>   65001 UTF-8   950  繁体中文   936  GBK   437  MS-DOS      """      options = webdriver.ChromeOptions()   # 以Headless模式启动   # options.add_argument('headless')   # 窗口大小（通过截图可以反映窗口大小）   options.add_argument('window-size=1200x600')   # 设置User-Agent   options.add_argument('user-agent=Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36')      # 创建实例   browser = webdriver.Chrome(chrome_options = options, executable_path='/Users/xuhang/Downloads/chromedriver')      # 窗口最大化   browser.maximize_window()      # Part Ⅰ      # 请求网址   browser.get(url = "https://www.smzdm.com")   time.sleep(2)      # 截图   browser.save_screenshot('smzdm_1.png')      # 下拉滑动页面 - 通过JS脚本   browser.execute_script("window.scrollTo(10000, document.body.scrollHeight)")      # 下拉滑动页面 - 通过模拟鼠标移动   # from selenium.webdriver.support.wait import WebDriverWait   # WebDriverWait(browser, 20, 0.5).until(lambda x: x.find_element_by_id('feed-main-list'))   # actionChain = browser.find_element_by_css_selector("#feed-main-list li:last-child")   # ActionChains(browser).move_to_element(actionChain).perform()   browser.save_screenshot('smzdm_2.png')      # 新开窗口打开百度首页   browser.execute_script("window.open('https://www.baidu.com')")   handlers = browser.window_handles   # print(handlers)      # 切换到第2个窗口   browser.switch_to_window(handlers[1])      # 在第2个窗口操作   browser.find_element_by_id('kw').send_keys('selenium')   browser.find_element_by_id('su').click()      # 获取cookies   cookies = browser.get_cookies()   cookie = browser.get_cookie('BAIDUID')   time.sleep(2)   browser.save_screenshot('baidu_1.png')   browser.switch_to_window(handlers[0])   time.sleep(2)   print(cookie)      browser.quit()

到这里，配合上代理IP和账号登陆已经可以绕开大部分的网站验证了，但是即使用上了真实的浏览器，Selenium操控的浏览器还是会暴露出一部分特征。比如window.navigator.webdriver属性，这个属性是正常浏览器没有的，但是Chrome Headless里有，虽然可以通过参数关闭该属性，但是仍有其他属性会暴露出来。

除了以上用到的Selenium，还有Pupperteer和Python版本的Pypperteer，器中Pupperteer是Google官方推出的基于Chrome DevTool protocol 协议的Nodejs包，通常在Selenium失败之后尝试使用Pupperteer，还是不行可以考虑开发Chrome的插件来爬，因为Chrome插件是运行在真正的浏览器上面，和平时使用的一样，它还能使用浏览器以往的缓存，不容易被识别出来。

四、扩展

反爬虫除了在服务端对可疑请求进行拦截，还可以在客户端增加爬虫的开发难度，其中就包括代码混淆、干扰调试、数据投毒、图片替换数据、字体乱序。

1. 代码混淆

base62加密最明显的特征是以eval(function(p,a,c,k,e,r))开头，这样加密后的代码没有可读性，对于不熟悉此加密的人有一定难度，但是由于此方法最终要执行eval方法，所以只需要通过console.log将内容打印出来就是加密前的代码。

1. 干扰调试

由于爬虫必须通过找出数据接口才能进行数据抓取，对于浏览器最基础的操作就是打开DevTools来分析请求和数据，所以一旦发现用户打开DevTools就可以做一些干扰来增加难度。比如debugger;本来是开发人员用来在调试代码时使用的命令，该命令会强制在此处打断点，所以可以对爬虫的开发人员进行一定的干扰。但是此方法也可以通过浏览器的停用断点使其失效。类似的方法还有检测到DevTools后立即删除所有关键的信息，这样也就不会暴露数据接口了。（微信读书用到了此方法）