(轉載)反擊爬蟲，前端工程師的腦洞可以有多大？

這是最近在一個作者博客中看的到反爬蟲文章， 深受感觸，分享給大家一起討論討論， 如何應對其中的一切反爬蟲策略。

原文地址：http://litten.me/2017/07/09/prevent-spiders/

作者：Litten

1. 前言

對於一張網頁，我們往往希望它是結構良好，內容清晰的，這樣搜索引擎才能準確地認知它。

而反過來，又有一些情景，我們不希望內容能被輕易獲取，比方說電商網站的交易額，教育網站的題目等。因為這些內容，往往是一個產品的生命線，必須做到有效地保護。這就是爬蟲與反爬蟲這一話題的由來。

2. 常見反爬蟲策略

但是世界上沒有一個網站，能做到完美地反爬蟲。

如果頁面希望能在用戶面前正常展示，同時又不給爬蟲機會，就必須要做到識別真人與機器人。因此工程師們做了各種嘗試，這些策略大多採用於後端，也是目前比較常規單有效的手段，比如：

• User-Agent + Referer檢測
• 賬號及Cookie驗證
• 驗證碼
• IP限制頻次

而爬蟲是可以無限逼近於真人的，比如：

• chrome headless或phantomjs來模擬瀏覽器環境
• tesseract識別驗證碼
• 代理IP淘寶就能買到

所以我們說，100%的反爬蟲策略？不存在的。

更多的是體力活，是個難易程度的問題。

不過作為前端工程師，我們可以增加一下遊戲難度，設計出一些很(sang)有(xin)意(bing)思(kuang)的反爬蟲策略。

3. 前端與反爬蟲

3.1 font-face拼湊式

例子：貓眼電影

貓眼電影里，對於票房數據，展示的並不是純粹的數字。

頁面使用了font-face定義了字符集，並通過unicode去映射展示。也就是說，除去圖像識別，必須同時爬取字符集，才能識別出數字。

並且，每次刷新頁面，字符集的url都是有變化的，無疑更大難度地增加了爬取成本。

3.2 background拼湊式

例子：美團

與font的策略類似，美團里用到的是background拼湊。數字其實是圖片，根據不同的background偏移，顯示出不同的字元。

並且不同頁面，圖片的字元排序也是有區別的。不過理論上只需生成0-9與小數點，為何有重複字元就不是很懂。

頁面A：

頁面B：

3.3 字元穿插式

例子：微信公眾號文章

某些微信公眾號的文章里，穿插了各種迷之字元，並且通過樣式把這些字元隱藏掉。

這種方式雖然令人震驚…但其實沒有太大的識別與過濾難度，甚至可以做得更好，不過也算是一種腦洞吧。

對了，我的手機流量可以找誰報銷嗎？

3.4 偽元素隱藏式

例子：汽車之家

汽車之家裡，把關鍵的廠商信息，做到了偽元素的content里。

這也是一種思路：爬取網頁，必須得解析css，需要拿到偽元素的content，這就提升了爬蟲的難度。

3.5 元素定位覆蓋式

例子：去哪兒

還有熱愛數學的去哪兒，對於一個4位數字的機票價格，先用四個i標籤渲染，再用兩個b標籤去絕對定位偏移量，覆蓋故意展示錯誤的i標籤，最後在視覺上形成正確的價格…

這說明爬蟲會解析css還不行，還得會做數學題。

3.6 iframe非同步載入式

例子：網易雲音樂

網易雲音樂頁面一打開，html源碼里幾乎只有一個iframe，並且它的src是空白的：about:blank。接著js開始運行，把整個頁面的框架非同步塞到了iframe裡面…

不過這個方式帶來的難度並不大，只是在非同步與iframe處理上繞了個彎（或者有其他原因，不完全是基於反爬蟲考慮），無論你是用selenium還是phantom，都有API可以拿到iframe裡面的content信息。

3.7 字元分割式

例子：全網代理IP

在一些展示代理IP信息的頁面，對於IP的保護也是大費周折。

他們會先把IP的數字與符號分割成dom節點，再在中間插入迷惑人的數字，如果爬蟲不知道這個策略，還會以為自己成功拿到了數值；不過如果爬蟲注意到，就很好解決了。

3.8 字符集替換式

例子：去哪兒移動側

同樣會欺騙爬蟲的還有去哪兒的移動版。

html里明明寫的3211，視覺上展示的卻是1233。原來他們重新定義了字符集，3與1的順序剛好調換得來的結果…

歡迎大家一起熱烈探討！

看完覺得博主果然大神。。

推薦博主的其他幾篇文章。

瀏覽器野史 UserAgent列傳（上）

瀏覽器野史 UserAgent列傳（下）

（若有侵權， 立馬刪除。）

推薦閱讀：