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
V2EX 提问指南
ifishman
V2EX  ›  问与答

Pyspider+Phantomjs 遇到一个站点的浏览器检查确实不会过

  •  
  •   ifishman · 2016-10-07 21:15:42 +08:00 · 5021 次点击
    这是一个创建于 2951 天前的主题,其中的信息可能已经有所发展或是发生改变。

    看了下他的检查代码,好像是定时提交一个隐藏的表单

    目标站点

    隐藏表单内容如下:

     <form id="challenge-form" action="/cdn-cgi/l/chk_jschl" method="get">
            <input type="hidden" name="jschl_vc" value="8638db33f4d888e137a518e882e7c8e3">
            <input type="hidden" name="pass" value="1475845385.911-E7QOUU3JrO">
            <input type="hidden" id="jschl-answer" name="jschl_answer">
     </form>
    

    对应的检查代码如下:

    <script type="text/javascript">
      //<![CDATA[
      (function(){
        var a = function() {
          try{
            return !!window.addEventListener}
          catch(e) {
            return !1}
        }
        ,
        b = function(b, c) {
        a() ? document.addEventListener("DOMContentLoaded", b, c) : document.attachEvent("onreadystatechange", b)};
        b(function(){
          var a = document.getElementById('yjs-content');
          a.style.display = 'block';
          setTimeout(function(){
            var s,t,o,p,b,r,e,a,k,i,n,g,f, tEGADKc={"UOLHSZfuv":+((!+[]+!![]+[])+(!+[]+!![]))};
            t = document.createElement('div');
            t.innerHTML="<a href='/'>x</a>";
            t = t.firstChild.href;
            r = t.match(/https?:\/\//)[0];
            t = t.substr(r.length);
            t = t.substr(0,t.length-1);
            a = document.getElementById('jschl-answer');
            f = document.getElementById('challenge-form');
            ;
            tEGADKc.UOLHSZfuv+=+((!+[]+!![]+!![]+!![]+!![]+[])+(+[]));
            tEGADKc.UOLHSZfuv+=+((!+[]+!![]+!![]+[])+(+!![]));
            tEGADKc.UOLHSZfuv+=+((!+[]+!![]+!![]+[])+(!+[]+!![]+!![]+!![]+!![]+!![]));
            tEGADKc.UOLHSZfuv*=+((!+[]+!![]+!![]+!![]+[])+(!+[]+!![]+!![]));
            tEGADKc.UOLHSZfuv-=!+[]+!![]+!![]+!![]+!![]+!![]+!![];
            tEGADKc.UOLHSZfuv*=+((!+[]+!![]+!![]+!![]+!![]+[])+(+[]));
            a.value = parseInt(tEGADKc.UOLHSZfuv, 10) + t.length;
            '; 121'
            f.submit();
          }
                     , 4000);
        }
          , false);
      }
      )();
      //]]>
    </script>
    
    第 1 条附言  ·  2016-10-07 23:15:21 +08:00

    经过搜索,发现是CloudFlare的AntiBot在作怪,并在github上发现了对应的解决模块

    cloudflare-scrape
    A simple Python module to bypass Cloudflare's anti-bot page, using Requests.

    按照InstallationUsage的说明,依然提示无法获取对应的token:

    print cfscrape.get_cookie_string("http://ips.chacuo.net/")
    'http://ips.chacuo.net/' returned an error. Could not collect tokens.
    
    Traceback (most recent call last):
      File "<stdin>", line 1, in <module>
      File "/usr/local/lib/python2.7/dist-packages/cfscrape/__init__.py", line 146, in get_cookie_string
        tokens, user_agent = cls.get_tokens(url, user_agent=user_agent)
      File "/usr/local/lib/python2.7/dist-packages/cfscrape/__init__.py", line 119, in get_tokens
        resp.raise_for_status()
      File "/usr/local/lib/python2.7/dist-packages/requests/models.py", line 862, in raise_for_status
        raise HTTPError(http_error_msg, response=self)
    requests.exceptions.HTTPError: 503 Server Error: Service Temporarily Unavailable for url: http://ips.chacuo.net/
    
    12 条回复    2017-07-26 22:16:47 +08:00
    icedx
        1
    icedx  
       2016-10-07 23:52:33 +08:00   ❤️ 1
    Selenium
    ifishman
        2
    ifishman  
    OP
       2016-10-08 12:46:53 +08:00
    @icedx 首先感谢回复,根据你的提示去了解了下 Selenium , selenium 是一个 web 的自动化测试工具,但是我需要怎么和 pyspider 进行整合?

    不好意思,才入门 python ,才会基础语法那种入门
    icedx
        3
    icedx  
       2016-10-08 12:53:31 +08:00
    @ifishman
    既然你说了 刚刚入门 那就不要用 PySpider
    Selenium 有获取网页内容的能力 然后你要做的 就是把获取到的内容放到数据库里
    1130335361
        4
    1130335361  
       2016-10-09 10:13:33 +08:00
    cc @binux
    ifishman
        5
    ifishman  
    OP
       2016-10-09 17:19:57 +08:00 via Android
    @binux 这里这里,这个帖子要你的帮助
    binux
        6
    binux  
       2016-10-09 18:32:47 +08:00   ❤️ 1
    1. 用浏览器过掉验证,拷贝 cookie ,带 cookie 抓(可能 cookie 包含 ip 信息)
    2.

    ```
    class Handler(BaseHandler):
    crawl_config = {
    }

    @every(minutes=24 * 60)
    def on_start(self):
    self.crawl('http://ips.chacuo.net/', callback=self.chk_jschl , fetch_type='js', js_script=r'''
    function() {
    var script = document.querySelector('script').textContent;
    console.log(script);
    script = script.match(new RegExp("setTimeout\\(function\\(\\){([\\s\\S\n]+)f.submit", 'm'))[1] + 'a.value;';
    console.log(script);
    return eval(script);
    }
    ''')

    @catch_status_code_error
    @config(age=10 * 24 * 60 * 60)
    def chk_jschl (self, response):
    print response.cookies
    print response.js_script_result
    self.crawl('http://ips.chacuo.net/cdn-cgi/l/chk_jschl', params={
    'jschl_vc': response.doc('input[name=jschl_vc]').val(),
    'pass': response.doc('input[name=pass]').val(),
    'jschl-answer': response.js_script_result
    }, callback=self.detail_page, cookies=response.cookies, headers={
    'Referer': 'http://ips.chacuo.net/'
    })
    ```
    ifishman
        7
    ifishman  
    OP
       2016-10-09 19:34:03 +08:00
    @binux 感谢,能够说下解决的思路么,看起来是比 cfscrape 这个简单很多
    binux
        8
    binux  
       2016-10-09 19:42:00 +08:00
    @ifishman 页面要运行 js , phantomjs 能运行 js ,那就让它运行呗。。
    1130335361
        9
    1130335361  
       2016-10-10 10:01:27 +08:00
    @binux
    @ifishman
    思路明白了
    按照那个脚本执行后还是会出现
    HTTPError: HTTP 503: Service Temporarily Unavailable
    ifishman
        10
    ifishman  
    OP
       2016-10-10 12:41:01 +08:00
    @1130335361 测试过了,已经可以正常抓取了
    binux
        11
    binux  
       2016-10-11 00:37:07 +08:00
    @1130335361 这个验证是和 IP 绑定的,如果你在 demo.pyspider.org 测试,它有两个 IP ,要多试几次。
    feigle
        12
    feigle  
       2017-07-26 22:16:47 +08:00
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   1954 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 25ms · UTC 00:01 · PVG 08:01 · LAX 16:01 · JFK 19:01
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.