写爬虫的时候你遇到过哪些厉害的反爬手段？

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

这是一个创建于 2600 天前的主题，其中的信息可能已经有所发展或是发生改变。

这里举个例子，某磁力离线云，对数据标题进行加密。

前端展示是这样的：源码是这样的：就是一堆数字

52297·61356·11868·62314·51679·41594·12321·21896·91661·62294·01438·51845·12308·51567·21864·7468·12335·61597·31691·22328·61750·61738·82280·11847·91732·82298·01739·71515·8460·1650·0461·7843·4976·51209·51055·8466·0684·51144·71059·61183·71014·91142·2468·0500·6489·2494·0550·7465·9728·5683·4556·8503·6489·1800·4461·0881·1505·7543·7528·0462·7654·8659·6676·1469·4677·9727·0830·9453·7561·9565·8509·0701·8882·3469·41090·11072·01184

解密方式是这样的：

$("[decode=true]").each(function () { var obj = $(this); var text = obj.text(); text = text.split("·"); var str = ''; for (var i = 0, len = text.length; i < len; ++i) { text[i] = text[i].substr(1); text[i] = text[i].substring(0, text[i].length - 1); str += String.fromCharCode(text[i]) } obj.text(utf8to16(str)); obj.removeAttr("decode"); });

 function utf8to16(str) {
            var out, i, len, c;
            var char2, char3;

            out = "";
            len = str.length;
            i = 0;
            while (i < len) {
                c = str.charCodeAt(i++);
                switch (c >> 4) {
                    case 0: case 1: case 2: case 3: case 4: case 5: case 6: case 7:
                        // 0xxxxxxx
                        out += str.charAt(i - 1);
                        break;
                    case 12: case 13:
                        // 110x xxxx   10xx xxxx
                        char2 = str.charCodeAt(i++);
                        out += String.fromCharCode(((c & 0x1F) << 6) | (char2 & 0x3F));
                        break;
                    case 14:
                        // 1110 xxxx  10xx xxxx  10xx xxxx
                        char2 = str.charCodeAt(i++);
                        char3 = str.charCodeAt(i++);
                        out += String.fromCharCode(((c & 0x0F) << 12) |
                                       ((char2 & 0x3F) << 6) |
                                       ((char3 & 0x3F) << 0));
                        break;
                }
            }
            return out;
        }

原本想要用 python 重写这个解密过程，但是发现挺麻烦的，基于“反正都是在网页上展示内容”，干脆将他的解密 js 搬过来照用。。

第 1 条附言 · 2017-10-09 16:27:06 +08:00

亲测，浏览器可以运行，python用execjs调用返回空值，不然我直接解析结果了。

浏览器运行

python使用execjs

或许脚本有错。发出来大家指正一下

https://gist.github.com/anonymous/420c233004e1dbfbd98fe543a2d3ad15

第 2 条附言 · 2017-10-09 17:32:33 +08:00

原来如此简单：

def tochar(text):
    text= text.split("·")
    str_=''
    for idx,num in enumerate(text):
        num=num[1:-1]
        str_+=chr(int(num))
    return str_

第 3 条附言 · 2017-10-09 18:03:59 +08:00

这个所谓的解密就是，将以·分隔的每串数字，去头去尾，取中间的数字，然后用 chr()函数将数字转为字符，最后把字符拼接起来。。。

解密

反爬

线云

Python

75 条回复 • 2017-10-29 14:21:29 +08:00

jas0ndyq

2017-10-09 15:39:41 +08:00

也做过和 lz 一样的事情

bearsiji

2017-10-09 15:40:28 +08:00

类似这种的多重混淆一层套一层酸爽

PythoneerDev6

2017-10-09 15:49:14 +08:00

之前爬过汤不热。源代码放在 github 上，star 达到 2k 之后。汤不热就开始做反扒。

给 next 的标签加了一个空格。也是雷到我了。

https://github.com/xiyouMc/WebHubBot

jijiwaiwai

2017-10-09 15:49:17 +08:00

你这个办法很笨的。。。
直接使用 pyv8，调用 js 函数获取返回值就行了

chen2016

2017-10-09 15:51:59 +08:00

@jijiwaiwai #4 试过了，会出错

mansur

2017-10-09 15:56:29 +08:00

最厉害的是投毒，缠假内容

af463419014

2017-10-09 15:58:27 +08:00

后台检测到肯定是爬虫的时候,不禁止访问,装作正常的页面,返回错误的数据

crab

2017-10-09 15:58:31 +08:00

这种算好了，直接拿它 js 解密。
最厉害的应该是发现你是爬虫，不拒绝你，继续让你爬，但给脏数据。

xujialiang

2017-10-09 15:58:38 +08:00

哈哈哈我会用 node 写一个接口，然后调接口

clino

2017-10-09 15:59:04 +08:00

以前不是有看过变成竖排文的办法,不知道效果如何

nikoo

2017-10-09 16:03:26 +08:00

怎么把汉字转为楼主贴的这种数字？

kbdancer

2017-10-09 16:13:00 +08:00 via Android

phantomJS 直接解析执行 js 或者自定义执行 js 脚本

lizon

2017-10-09 16:29:49 +08:00

根本不知道怎么触发的反爬机制，返回一些错误数据混在正确数据里

Luckyray

2017-10-09 16:31:33 +08:00

这种乱七八糟的就直接用 chrome driver 了...重写一遍还不够麻烦的

murmur

2017-10-09 16:32:51 +08:00

能被你发现的都是小 case

真正发现不了的都是用投毒的

ytmsdy

2017-10-09 16:35:34 +08:00

最惨的就是掉进蜜罐里面，爬虫一切正常，但是返回的数据都是假数据。
最可怕的就是掉进去了，你还不知道！！还在那里很开心的爬，等爬完了，看到结果就 SB 了。

luoshuangfw

2017-10-09 16:46:49 +08:00 via Android

楼主你看这函数名不是很明确吗，这就是把变长编码的 utf8 转换成定长编码的 utf16 的非常标准的做法啊，我觉得压根不是在加解密

Xrong

2017-10-09 16:49:47 +08:00

有见过免费代理 IP 池网站，IP 最后一段是用 CSS 展示出来的。。。

zbl430

2017-10-09 16:52:02 +08:00

http://wsjs.saic.gov.cn/

这个网站，挺恶心的

anoymoux

2017-10-09 16:56:09 +08:00

<ul>
<li>A</li>
<li>B</li>
<li>C</li>
<li>X</li>
...
...
</ul>

你需要的数据是 X,但是他会生成很多的垃圾数据 A,B,C 等等..X 出现的位置是随机的,而且 A,B,C 等垃圾数据的格式跟 X 相同,无法用正则区分.
然后每个 li 都有一个随机的 class 属性,用动态生成的 css 样式控制只显示 X,其他的隐藏掉....
另外 css 用了继承,嵌套还有复杂的计算等等

annielong

2017-10-09 16:57:32 +08:00

汤不热还是使用 api 抓取比较好，

vtwoextb

2017-10-09 17:02:33 +08:00

京东防爬，我用的是动态 ip 策略 https://github.com/hizdm/dynamic_ip

xxdd

2017-10-09 17:19:29 +08:00

@zbl430 不是国家上了反爬好多商标平台都要倒闭了

CareiOS

2017-10-09 17:19:37 +08:00

@PythoneerDev6 你源码，现在还工作吗？

chen2016

2017-10-09 17:25:01 +08:00

@luoshuangfw #17 所以 utf8 怎么转 utf16 ？ https://i.loli.net/2017/10/09/59db406626aa1.png

catfish

2017-10-09 17:30:57 +08:00

给假数据

zbl430

2017-10-09 17:39:07 +08:00

@xxdd 又不是什么值钱的内容吧，何必呢

macleek

2017-10-09 17:45:31 +08:00

@xxdd 为啥上了反爬才不会倒闭啊？

PythonAnswer

2017-10-09 17:54:11 +08:00 via Android

蜜罐，文字嵌图

abcbuzhiming

2017-10-09 18:24:40 +08:00

其实我觉得再牛逼的反爬都对付不了真浏览器，所以我觉得无头浏览器才是未来主流技术

jadec0der

2017-10-09 18:27:51 +08:00 via Android

携程还是去哪儿，价格数字用一种随机字体，比如 7 在这个字体里可能是 4

yu099

2017-10-09 18:49:16 +08:00 via Android

@abcbuzhiming 我看到有加挖矿 JS 的做反爬，如果像淘宝一样屏蔽跟踪 JS 就触反爬怎么办？

NsLib

2017-10-09 19:26:09 +08:00

前去哪儿员工，你可以试试爬爬看，假数据、前端混淆、字体混淆，23333 ……

airbasic

2017-10-09 19:39:59 +08:00

猫眼的票房=。= 得用图像识别

j3n5en

2017-10-09 19:43:01 +08:00 via Android

啧，这不是黑科云么，。。。，我前两天刚写完。。。。

chen2016

2017-10-09 20:03:04 +08:00 via Android

@j3n5en 你说的没错，就是某科云

abcbuzhiming

2017-10-09 20:04:43 +08:00

@yu099 它一定要探测你也是没办法的，所以爬虫这玩意就是比拼服务器，你服务器众多，伪装的像正常浏览器，它就没招了是不是

j3n5en

2017-10-09 20:06:00 +08:00

@chen2016 #36 我是用 nodejs 写的，，，所以复制过去就可以了，，，，嘻嘻嘻

chen2016

2017-10-09 20:10:59 +08:00 via Android

@j3n5en 我用 python 重写了这部分，几行搞定了

scriptB0y

2017-10-09 20:15:50 +08:00

碰到过一个页码记录在 session 中的，也就是你每次发一样的 curl，结果是不一样的…… session 是通过一个 cookie 判断的……不知道算不算反爬

另外记录了一些遇到过的垃圾网站：

https://www.kawabangga.com/posts/2017

https://www.kawabangga.com/posts/2240

PythoneerDev6

2017-10-09 20:19:24 +08:00

@CareiOS 许久未试

jijiwaiwai

2017-10-09 21:26:43 +08:00

@chen2016 你的代码问题

chen2016

2017-10-09 21:40:34 +08:00 via Android

@jijiwaiwai 已经不用 execjs 了，看最后

fuxkcsdn

2017-10-09 21:47:26 +08:00 via iPhone

@jadec0der 肯定是去哪儿，携程的技术实力在去哪儿面前…
爬过最难的是去哪儿，不用 headless 浏览器简直难爬，曾尝试跟踪解密 js，跟踪了半天被叫去做其他事，之后再没心情弄了…

swirling

2017-10-09 22:01:43 +08:00

我最近很烦 silverlight 数据传输通过 WCF 传输 contenttype 是 msbin 1
大概是我没见过世间险恶吧

AlwaysBehave

2017-10-09 22:18:18 +08:00

试试看 https://blog.nfz.moe/
https://blog.nfz.moe/login

opengps

2017-10-09 23:30:51 +08:00 via Android

我说个吧，很多人好奇为啥方式不能偷我接口，原因是，没有 reffer 的都被我关闭了输出，就这样很多人第一步没走通就不走了

doubleflower

2017-10-10 00:03:10 +08:00

@anoymoux 搞这么费劲其实真要破也容易，用个 headless 浏览器，用 js 判断这个 li 的样式是否被隐藏了。

shiny

2017-10-10 00:07:09 +08:00

@opengps 确实可以挡掉大部分小白用户，但如果是专业选手，第一件事情应该是完全模拟浏览器发出的请求。

Lguo

2017-10-10 01:27:20 +08:00 via Android

请教一下各位兄弟们这个代理网站列出来的端口要怎么抓 http://www.goubanjia.com/

RqPS6rhmP3Nyn3Tm

2017-10-10 05:36:27 +08:00

我遇到最恶心的是哔哩哔哩，appkey 混淆得没法看
最后乖乖 youtube-dl

gfcddz

2017-10-10 08:45:32 +08:00 via Android

国外的一个全站 http/2.0 协议，python 支持 http2.0 的库压根用不了，只能用 seleniim 了

kran

2017-10-10 08:48:31 +08:00

投毒假数据啊，最坑的一次，见过一本写神经病的小说，看了两章胡言乱语才发现是网站爬虫被投假数据。文笔不错，没得逻辑。

Marsss

2017-10-10 08:52:10 +08:00

遇到最恶心的是 js 检测是否有鼠标操作且正常，并将其一并参与请求。

opengps

2017-10-10 08:56:20 +08:00

@shiny 的确，不过起码这个成为我目前最基本的条件，很多人是因为顺便看了一眼可以利用，才做了进一步的决定

grey0207

2017-10-10 09:31:08 +08:00

这个网站的源图片都打乱的，又禁止右键，感觉要抓图只能靠截图了
http://viewer.comic-earthstar.jp/viewer.html?cid=1e48c4420b7073bc11916c6c1de226bb&cty=1&lin=0

qqpkat2

2017-10-10 09:36:29 +08:00

这种反扒太简单了,程序内嵌浏览器直接破了
遇到最厉害的还是百度的，提交的时候记录了鼠标动作.....不过还是能破解

wfd0807

2017-10-10 09:47:32 +08:00

这个还算简单，毕竟可以分析出来，解密过程不依赖浏览器；
看看汽车之家的反爬虫技术，用伪元素的 text 渲染文字。。。

ZiLong

2017-10-10 09:54:15 +08:00

@qqpkat2 这种怎么玩？记录的鼠标动作重放应该还有效吧？

BlackGrasshopper

2017-10-10 10:19:28 +08:00

@grey0207 这个网址厉害了

huangfs

2017-10-10 10:25:38 +08:00

最恶心的应该是不限制你但是给假数据吧这种真的防不胜防。

sucaihuo

2017-10-10 10:32:02 +08:00

从来没研究过这方面，要学的东西还真多啊

wmhx

2017-10-10 10:44:56 +08:00

之前搞刷单用 paypal 支付, 先是写代码全程模拟结果发现 paypal 的 js 请求参数和名称全是动态生成,没找到规律,就换了 seleniim, 结果检测是否是 robot,用的是一家以色列公司的技术,花了近 2 周时间没搞定, 后来一查,这家牛逼的公司首页就说,如果用了他的技术被 robot 操作了. 全额赔付.

xxdd

2017-10-10 10:53:07 +08:00

@wmhx 感觉以色列 it 很强啊

qqpkat2

2017-10-10 13:12:32 +08:00

@ZiLong 鼠标移动轨迹你记录给我看看？

Felldeadbird

2017-10-10 13:16:22 +08:00

目前遇到过最搞笑的：
客服：某个网站的价格爬取失效了。快去看看

我认真观看后，发现他们价格要登录才可以看到价格。
终于弄好了。准备上线。

客服：那个网站价格爬取正常了。
我再去看了一下……原来是他们网站出问题了= =。导致非会员价格不显示。

yxy2829

2017-10-10 14:07:03 +08:00

各种验证码算吗？一堆汉字里面选四字成语，按顺序点击

SlipStupig

2017-10-10 14:15:09 +08:00

数据真假掺着来....

ZiLong

2017-10-10 14:26:35 +08:00

@qqpkat2 不懂，还请赐教

qqpkat2

2017-10-10 15:33:06 +08:00

@ZiLong 不指教不指教

wineast

2017-10-10 20:25:55 +08:00

@Lguo 解析下 xml，class 里面含有 port 不就行了？

ZiLong

2017-10-10 23:53:38 +08:00

@qqpkat2 haha,3ks for u's tan cheng

qqpkat2

2017-10-11 02:26:30 +08:00

@ZiLong 程序内嵌浏览器调用鼠标移动 API 即可

Lguo

2017-10-11 07:54:22 +08:00 via Android

@wineast 感谢回复，那个是假的

mingyun

2017-10-29 14:21:29 +08:00

@zbl430 https://zhuanlan.zhihu.com/p/29196829 这个网站反爬策略