(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:litten.me/2017/07/09/pr

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:

為什麼大家都在黑 perl?
switch 語句里代碼有什麼限制嗎?
C++中if(x==8)和if(8==x)有什麼區別?
永久免費!吳恩達給你的人工智慧第一課

TAG:爬虫 | Python | 编程 |