21CTO社区导读：马奇诺防线是二战前法国耗时十余年修建的防御工事，十分坚固，但是由于造价昂贵，仅修建了法德边境部分，绵延数百公里，而法比边界的阿登高地地形崎岖，不易运动作战，且比利时反对在该边界修建防线，固法军再次并没过多防备，满心期望能够依靠坚固的马奇诺防线来阻挡德军的攻势。没想到后来德军避开德法边境正面，通过阿登高地从防线左翼迂回，绕过了马奇诺防线，然后就是英法联军的敦克尔克大撤退了。
爬虫与反爬虫，是相爱相杀的一对，可以写出一部壮观的斗争史。
在大数据时代，数据就是金钱，很多企业都为自己的网站运用了反爬虫机制，防止网页上的数据被爬虫爬走。然而，如果反爬机制过于严格，可能会误伤到真正的用户请求；如果既要和爬虫死磕，又要保证很低的误伤率，那么又会加大研发的成本。
简单低级的爬虫速度快，伪装度低，如果没有反爬机制，它们可以很快的抓取大量数据，甚至因为请求过多，造成服务器不能正常工作。而伪装度高的爬虫爬取速度慢，对服务器造成的负担也相对较小。所以，网站反爬的重点也是那种简单粗暴的爬虫，反爬机制也会允许伪装度高的爬虫，获得数据。毕竟伪装度很高的爬虫与真实用户也就没有太大差别了。
下面来谈反爬虫的一些基本策略：
header 检验
最简单的反爬机制，就是检查 HTTP 请求的 Headers 信息，包括 User-Agent, Referer、Cookies 等。
User-Agent
User-Agent 是检查用户所用客户端的种类和版本，在 Scrapy 中，通常是在下载器中间件中进行处理。比如在 setting.py 中建立一个包含很多浏览器 User-Agent 的列表，然后新建一个 random_user_agent 文件：
classRandomUserAgentMiddleware(object):
@classmethod
defprocess_request(cls, request, spider):
ua = random.choice(spider.settings[‘USER_AGENT_LIST’])
ifua:
request.headers.setdefault(‘User-Agent’, ua)
这样就可以在每次请求中，随机选取一个真实浏览器的 User-Agent。
Referer
Referer 是检查此请求由哪里来，通常可以做图片的盗链判断。在 Scrapy 中，如果某个页面 url 是通过之前爬取的页面提取到，Scrapy 会自动把之前爬取的页面 url 作为 Referfer。也可以通过上面的方式自己定义 Referfer 字段。
Cookies
网站可能会检测 Cookie 中 session_id 的使用次数，如果超过限制，就触发反爬策略。所以可以在 Scrapy 中设置 COOKIES_ENABLED = False让请求不带 Cookies。
也有网站强制开启 Cookis，这时就要麻烦一点了。可以另写一个简单的爬虫，定时向目标网站发送不带 Cookies 的请求，提取响应中 Set-cookie 字段信息并保存。爬取网页时，把存储起来的 Cookies 带入 Headers 中。
X-Forwarded-For
在请求头中添加 X-Forwarded-For 字段，将自己申明为一个透明的代理服务器，一些网站对代理服务器会手软一些。
X-Forwarded-For 头一般格式如下
X-Forwarded-For: client1, proxy1, proxy2
这里将 client1，proxy1 设置为随机 IP 地址，把自己的请求伪装成代理的随机 IP 产生的请求。然而由于 X-Forwarded-For 可以随意篡改，很多网站并不会信任这个值。
限制 IP 请求数
如果某一 IP 的请求速度过快，就触发反爬机制。当然可以通过放慢爬取速度绕过，这要以爬取时间大大增长为代价。另一种方法就是添加代理。
request.meta[‘proxy’] = ‘http://’+ ‘proxy_host’+ ‘:’+ proxy_port
然后再每次请求时使用不同的代理 IP。然而问题是如何获取大量的代理 IP？
可以自己写一个 IP 代理获取和维护系统，定时从各种披露免费代理 IP 的网站爬取免费 IP 代理，然后定时扫描这些 IP 和端口是否可用，将不可用的代理 IP 及时清理。这样就有一个动态的代理库，每次请求再从库中随机选择一个代理。然而这个方案的缺点也很明显，开发代理获取和维护系统本身就很费时费力，并且这种免费代理的数量并不多，而且稳定性都比较差。如果必须要用到代理，也可以去买一些稳定的代理服务。这些服务大多会用到带认证的代理。
在 requests 库中添加带认证的代理很简单，
proxies = {
“http”: “http://user:pass@10.10.1.10:3128/”,
}
然而 Scrapy 不支持这种认证方式，需要将认证信息 编码后，加入 Headers 的 Proxy-Authorization 字段：
import
# Set the location of the proxy
proxy_string = choice(self._get_proxies_from_file(‘proxies.txt’)) # user:pass@ip:port
proxy_items = proxy_string.split(‘@’)
request.meta[‘proxy’] = “http://%s”% proxy_items[1]
# setup basic authentication for the proxy
user_pass=.encodestring(proxy_items[0])
request.headers[‘Proxy-Authorization’] = ‘Basic ‘+ user_pass
动态加载
现在越来越多的网站使用 ajax 动态加载内容，这时候可以先截取 ajax 请求分析一下，有可能根据 ajax 请求构造出相应的 API 请求的 URL 就可以直接获取想要的内容，通常是 json 格式，反而还不用去解析 HTML。
然而，很多时候 ajax 请求都会经过后端鉴权，不能直接构造 URL 获取。这时就可以通过 PhantomJS+Selenium 模拟浏览器行为，抓取经过 js 渲染后的页面。
需要注意的是，使用 Selenium 后，请求不再由 Scrapy 的 Downloader 执行，所以之前添加的请求头等信息都会失效，需要在 Selenium 中重新添加
headers = {…}
forkey, value inheaders.iteritems():
webdriver.DesiredCapabilities.PHANTOMJS[‘phantomjs.page.customHeaders.{}’.format(key)] = value
另外，调用 PhantomJs 需要指定 PhantomJs 的可执行文件路径，通常是将该路径添加到系统的 path 路径，让程序执行时自动去 path 中寻找。我们的爬虫经常会放到 crontab 中定时执行，而 crontab 中的环境变量和系统的环境变量不同，所以就加载不到 PhamtonJs 需要的路径，所以最好是在申明时指定路径：
driver = webdriver.PhantomJS(executable_path=’/usr/local/bin/phantomjs’)
绕过验证码
如同最开始说的，网站验证码就像马奇诺防线，阻挡着爬虫工程师的正面进攻。
随着爬和反爬双方围绕验证码的不断较量，导致了验证码识别难度的不断上升。现在复杂的验证码长这样：
正面硬刚验证码，想要识别它，是件挺复杂的事，涉及到图像处理技术：二值化，降噪，切割，字符识别算法：KNN(K 邻近算法)和 SVM (支持向量机算法)，再复杂点还要借助 CNN(卷积神经网络)，还有什么机器学习啥的。
虽然现在有打码平台可以解决绝大多数的验证码问题，但如果爬取的数量特别庞大，单纯依赖打码平台也是不大行得通的，除了成本因素，还有打码平台也解决不了的验证码因素，比如滑动验证码：
既然正面进攻费事费力，那能不能找到爬虫工程师眼中的阿登高地绕过验证码？
以各地工商网站为例，对常见的验证码绕过技巧做一个小总结，顺便解密下如何不借助模拟 Java 拖动来绕过滑动验证码。
各地工商网站（全称国家企业信用信息公示系统）因为包含大量企业真实信息，金融贷款征信等都用得到，天然吸引了很大部分来自爬虫的火力，因此反爬虫措施格外严格。一般的网站仅在登录注册等环节，或者访问频繁后才弹出验证码，而工商网站查询无需登录，每查一次关键字就需要一次验证码。同时各地工商网站由于各自独立开发，自主采用了各种不同的验证码机制，更是给全量爬取的爬虫增加了更多的障碍。因此，工商网站的验证码特别具有代表性。
首先，从最简单的分页角度入手。
分页的处理可以放在前端也可以放在后端，如果只放在后端，每次点击页码就需要发送一次查询请求，而一次验证码通常只能服务于一次请求，再次请求需要获取新的验证码，直接观察翻页操作是否弹出验证码输入框即可判断是否可以绕过。
如何判断分页处理放在前端还是后端的呢？很简单，F12 打开浏览器开发者工具，页面点下一页，有新的请求就说明放在后端，反之就是前端。
实践发现，四川和上海的工商局网站翻页都放在后端，且翻页没有验证码输入框。说明这里的验证码可以绕过，但是绕过的原理却有些不同：
对比四川工商局网站翻页前后请求的参数，除了页码参数外，多了一项：yzmYesOrNo=no。从变量名也猜得到，后端根据该参数的值判断是否需要检查验证码。
而上海工商网站的对比结果发现，除了页码参数外，少了验证码字段，因此我们可以大胆猜测：验证码的校验仅放在了前端，后端没有做二次校验，从页面上操作是绕不过的，但是不带验证码字段直接向后端发送请求，数据就拿到了。
严格来说，上海工商网站这种算是漏洞，对待这种这种漏洞，爬虫工程师应有的态度是：悄悄的进村，打枪的不要。不过也不要利用的太狠了，笔者实验时没加限制，爬了十万数据后，IP被封了。很长时间后才解封，同时页面改版并修复了漏洞。
其次，观察目标网站是否有多套验证码。
有些网站不知道出于什么样的考虑，会在不同的页面使用不同的验证码。一旦遇到这种情况，我们可就要捡软柿子捏了–从简单的验证码入手，移花接木，将识别的结果作为参数来向后端发送请求，从而达到绕过复杂验证码的目的。
举例来说，湖北工商局的查询页面验证码是类似下图的九宫格验证码：
而电子营业执照登陆界面的验证码是这样的：
即便要识别，也明显是后者的验证码要容易些。代码如下：
再者，可以考虑从数据的存储id入手
专门针对移动端开发的 wap 页面限制一般要少得多。以北京工商网站来说，wap 界面不带验证码参数直接发送请求就可以得到数据的，原理类似于上海工商网站，但是其对单个IP日访问次数做了严格限制，因此该方式可以用但不好用。
继续观察，以搜索“山水集团”为例，从搜索页到列表页时，需要输入验证码，而从列表页进入详情页的时候，是不需要验证码的。最终详情页如图：
通常没人记得住各地工商网站的网址，我们会去搜索引擎里搜。当搜北京企业信用信息时，发现两个有价值的结果，除了国家企业信用信息公示系统外，还有个北京市企业信用信息信息网。进后者再操作一番可以得到下面的详情页：
观察发现，企业 id 都是相同的，嘿嘿，这不是“两块牌子，一套班子”嘛！后者的访问量要小一些，虽有验证码，但是可以采用上海工商一样的方式绕过，只是返回的结果字段不太符合我们的要求。不过，我们可以去企业信息网获得企业id，再次采用移花接木的方式，去信息公示系统构造链接获得最终的详情页嘛！
用过数据库同学都晓得，数据库里的数据 id，默认是自增长的。如果有个网站引用的数据是 xxx.com?id=1234567, 那我们很容易猜得到构造类似 1234568 这样的 id 去尝试！通常，使用这种 id 规律能够轻易猜出来的网站并不多，但不代表没有。比如甘肃省工商网站，结果页是拿企业注册号来查询的。
最后，谈谈滑动验证码。
目前，工商网站已经全面改版，全部采用了滑动验证码，上面绝大多数思路都失效了。对于滑动验证码，网上能搜到的解决方案基本都是下载图片，还原图片，算出滑动距离，然后模拟 js 来进行拖动解决，我们来看下能否不模拟拖动来解决这个问题。
以云南工商网站为例，首先抓包看过程。
1. http://yn.gsxt.gov.cn/notice/p … 78609，它返回的代码如下：
2. 下载验证码图片
3. http://yn.gsxt.gov.cn/notice/pc-geetest/validate， 提交如下数据：
4. http://yn.gsxt.gov.cn/notice/search/ent_info_list，提交如下数据：
仔细分析，我们发现两处疑点：
第一步并没有返回需要下载的图片地址，那么前端怎么知道要下载哪些图片？
第三步验证时，并没有告知后端下载了那些图片，后端是怎么验证提交过去的数据是有效性的？
仔细阅读前端混淆的Java代码，我们发现前端数据处理过程是这样的：
从 0 到 6（不含）中取随机整数，赋值给 d， d=5；
从 0 到 300（不含）中取随机整数，赋值给 e， e=293；
将d转化为字符串并作 MD5 加密，加密字符串取前 9 位赋值给 f， f=’e4da3b7fb’；
将 e 转化为字符串并作 MD5 加密，加密字符串从第 11 位开始取 9 位赋值给 g, g=’43be4f209’；
取 f 的偶数位和 g 的奇数位组成新的 9 位字符串给 h, h=’e3de3f70b’；
取 h 的后 4 位与 200 做 MOD 运算，其结果小于 40，则取 40，否则取其本身赋值给 x，x=51；
取 [x-3, x+3] 以内随机数赋值给 c，c=51；
分别取 c,d,e 跟 challenge 做 t 加密 (t(c,challenge), t(d, challenge), t(e,challenge)) 并用（_）拼接即为 geetest_validate, ‘9ccccc997288_999c9ccaa83_999cc9c9999990d’
这里 f, g 参数决定了下载图片地址：
而 x 为滑块拖动的横向偏移量，至此解答了疑问 1 中图片下载地址怎么来的问题。
前边提到的 t 加密过程是这样的：
t(a,b)，此处以 a=51 演示
challenge 为 34 位 16 进制字符串，取前 32 位赋值给 prefix，后 2 位赋值给 suffix，prefix=’34173cb38f07f89ddbebc2ac9128303f’, suffix=’a8′
prefix 去重并保持原顺序，得到列表 [‘3’, ‘4’, ‘1’, ‘7’, ‘c’, ‘b’, ‘8’, ‘f’, ‘0’, ‘9’, ‘d’, ‘e’, ‘2’, ‘a’]
将 2 中列表循环顺序放入包含 5 个子列表的列表中，得到random_key_list： [[‘3’, ‘b’, ‘d’], [‘4’, ‘8’, ‘e’], [‘1’, ‘f’, ‘2’], [‘7’, ‘0’, ‘a’], [‘c’, ‘9’]]
将 suffix 字符串（16 进制）逐位转化为 10 进制，得到 [10, 8]
将 4 中列表逐位与 [36,0] 做乘法和运算并与 a 的四舍五入结果相加， n= 51 + 36*10 + 0*8=419
q=[1,2,5,10,50], 用 q 对 n 做分解（n=50*13+10*0+5*1+2*1+1*1），将其因数倒序赋值给 p，p=[0,2,1,1,8]
从 random_key_list 右侧开始随机取值，次数为 p 中数值，拼成字符串 sub_key，sub_key=’9ccccc997288′
至此，我们完成了整个分析过程，我们又有了新发现：
按照前边的抓包过程，其实不需要真的下载图片，只需执行 1、3、4 步就可以得到目标数据了。步骤 1 也可以不要，只需 3、4 即可，但是少了步骤 1， 我们还需要额外请求一次 cookie，所以还是保留 1, 这样也伪装的像一点嘛。
相同的 challenge，每次运算都可以得出不同的 validate 和 seccode，那么问题来了：到底服务端是怎么根据 challenge 验证其他数据是否有效呢？
总结一下，对于验证码，本文只是提供了一种新的思路，利用了网站开发过程中的一点小疏漏，而最后的滑动验证码也只是分析了 offline 模式的验证方法。
不要指望所有验证码都可以能绕过，没有阿登高地，二战德国就不打法国了么？只要觉得有价值，即使正面面对验证码，作为爬虫工程师建议也就一句话：不要怂，就是干！
本文综合自高可用架构（ArchNotes）等公众号。
原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/256392.html