快捷導(dǎo)航

Requests什么的通通爬不了的Python超強(qiáng)反爬蟲方案！

更新時(shí)間：2021年05月20日 09:57:00 作者：程序員啟航

今天帶大家學(xué)習(xí)Requests什么的通通爬不了的Python超強(qiáng)反爬蟲方案,文中有非常詳細(xì)的圖文介紹及代碼示例,對(duì)正在學(xué)習(xí)python的小伙伴們有很好的幫助,需要的朋友可以參考下

一、前言

一個(gè)非常強(qiáng)的反爬蟲方案 —— 禁用所有 HTTP 1.x 的請(qǐng)求！

現(xiàn)在很多爬蟲庫(kù)其實(shí)對(duì) HTTP/2.0 支持得不好，比如大名鼎鼎的 Python 庫(kù) —— requests，到現(xiàn)在為止還只支持 HTTP/1.1，啥時(shí)候支持 HTTP/2.0 還不知道。

Scrapy 框架最新版本 2.5.0（2021.04.06 發(fā)布）加入了對(duì) HTTP/2.0 的支持，但是官網(wǎng)明確提示，現(xiàn)在是實(shí)驗(yàn)性的功能，不推薦用到生產(chǎn)環(huán)境，原文如下：

“
HTTP/2 support in Scrapy is experimental, and not yet recommended for production environments. Future Scrapy versions may introduce related changes without a deprecation period or warning.
”

插一句，Scrapy 中怎么支持 HTTP/2.0 呢？在 settings.py 里面換一下 Download Handlers 即可：

DOWNLOAD_HANDLERS = {
    'https': 'scrapy.core.downloader.handlers.http2.H2DownloadHandler',
}

當(dāng)前 Scrapy 的 HTTP/2.0 實(shí)現(xiàn)的已知限制包括：

不支持 HTTP/2.0 明文（h2c），因?yàn)闆]有主流瀏覽器支持未加密的 HTTP/2.0。
沒有用于指定最大幀大小大于默認(rèn)值 16384 的設(shè)置，發(fā)送更大幀的服務(wù)器的連接將失敗。
不支持服務(wù)器推送。
不支持bytes_received和 headers_received信號(hào)。

關(guān)于其他的一些庫(kù)，也不必多說了，對(duì) HTTP/2.0 的支持也不好，目前對(duì) HTTP/2.0 支持得還可以的有 hyper 和 httpx，后者更加簡(jiǎn)單易用一些。

二、反爬蟲

所以，你想到反爬蟲方案了嗎？

如果我們禁用所有的 HTTP/1.x 的請(qǐng)求，是不是能通殺掉一大半爬蟲？requests 沒法用了，Scrapy 除非升級(jí)到最新版本才能勉強(qiáng)用個(gè)實(shí)驗(yàn)性版本，其他的語(yǔ)言也不用多說，也會(huì)殺一大部分。

而瀏覽器對(duì) HTTP/2.0 的支持現(xiàn)在已經(jīng)很好了，所以不會(huì)影響用戶瀏覽網(wǎng)頁(yè)的體驗(yàn)。

三、措施

那就讓我們來吧！

這個(gè)怎么做呢？其實(shí)很簡(jiǎn)單，在 Nginx 里面配置一下就好了，主要就是加這么個(gè)判斷就行了：

if ($server_protocol !~* "HTTP/2.0") {
  return 444;
}

就是這么簡(jiǎn)單，這里 $server_protocol 就是傳輸協(xié)議，其結(jié)果目前有三個(gè)：HTTP/1.0、HTTP/1.1 和 HTTP/2.0，另外判斷條件我們使用了 !~* ，意思就是不等于，這里的判斷條件就是，如果不是 HTTP/2.0，那就直接返回 444 狀態(tài)碼，444 一般代表 CONNECTION CLOSED WITHOUT RESPONSE，就是不返回任何結(jié)果關(guān)閉連接。

我的服務(wù)是在 Kubernetes 里面運(yùn)行的，所以要加這個(gè)配置還得改下 Nginx Ingress 的配置，不過還好 https://kubernetes.github.io/ingress-nginx/user-guide/nginx-configuration/annotations/ 預(yù)留了一個(gè)配置叫做 nginx.ingress.kubernetes.io/server-snippet，利用它我們可以自定義 Nginx 的判定邏輯。

官方用法如下：

apiVersion: networking.k8s.io/v1beta1
kind: Ingress
metadata:
  annotations:
    nginx.ingress.kubernetes.io/server-snippet: |
        set $agentflag 0;
        if ($http_user_agent ~* "(Mobile)" ){
          set $agentflag 1;
        }
        if ( $agentflag = 1 ) {
          return 301 https://m.example.com;
        }

所以這里，我們只需要改成剛才的配置就好了：

apiVersion: networking.k8s.io/v1beta1
kind: Ingress
metadata:
  annotations:
    nginx.ingress.kubernetes.io/server-snippet: |
      if ($server_protocol !~* "HTTP/2.0") {
        return 444;
      }

大功告成！

配置完成了，示例網(wǎng)站是：https://spa16.scrape.center/

我們?cè)跒g覽器中看下效果：

可以看到所有請(qǐng)求都是走的 HTTP/2.0，頁(yè)面完全正常加載。

然而，我們使用 requests 來請(qǐng)求一下：

import requests
response = requests.get('https://spa16.scrape.center/')
print(response.text)

非常歡樂的報(bào)錯(cuò)：

Traceback (most recent call last):
  ...
    raise RemoteDisconnected("Remote end closed connection without"
http.client.RemoteDisconnected: Remote end closed connection without response
 
During handling of the above exception, another exception occurred:
 
Traceback (most recent call last):
  ...
    raise MaxRetryError(_pool, url, error or ResponseError(cause))
requests.packages.urllib3.exceptions.MaxRetryError: HTTPSConnectionPool(host='spa16.scrape.center', port=443): Max retries exceeded with url: / (Caused by ProxyError('Cannot connect to proxy.', RemoteDisconnected('Remote end closed connection without response')))
 
During handling of the above exception, another exception occurred:
 
Traceback (most recent call last):
 ...
requests.exceptions.ProxyError: HTTPSConnectionPool(host='spa16.scrape.center', port=443): Max retries exceeded with url: / (Caused by ProxyError('Cannot connect to proxy.', RemoteDisconnected('Remote end closed connection without response')))

如果你用 requests，無論如何都不行的，因?yàn)樗筒恢С?HTTP/2.0。

那我們換一個(gè)支持 HTTP/2.0 的庫(kù)呢？比如 httpx，安裝方法如下：

pip3 install 'httpx[http2]'

注意，Python 版本需要在 3.6 及以上才能用 httpx。

安裝好了之后測(cè)試下：

import httpx
client = httpx.Client(http2=True)
 
response = client.get('https://spa16.scrape.center/')
print(response.text)

結(jié)果如下：

<!DOCTYPE html><html lang=en><head><meta charset=utf-8><meta http-equiv=X-UA-Compatible content="IE=edge"><meta name=viewport content="width=device-width,initial-scale=1"><meta name=referrer content=no-referrer><link rel=icon href=/favicon.ico><title>Scrape | Book</title><link href=/css/chunk-50522e84.e4e1dae6.css rel=prefetch><link href=/css/chunk-f52d396c.4f574d24.css rel=prefetch><link href=/js/chunk-50522e84.6b3e24aa.js rel=prefetch><link href=/js/chunk-f52d396c.f8f41620.js rel=prefetch><link href=/css/app.ea9d802a.css rel=preload as=style><link href=/js/app.b93891e2.js rel=preload as=script><link href=/js/chunk-vendors.a02ff921.js rel=preload as=script><link href=/css/app.ea9d802a.css rel=stylesheet></head><body><noscript><strong>We're sorry but portal doesn't work properly without JavaScript enabled. Please enable it to continue.</strong></noscript><div id=app></div><script src=/js/chunk-vendors.a02ff921.js></script><script src=/js/app.b93891e2.js></script></body></html>

可以看到，HTML 就成功被我們獲取到了！這就是 HTTP/2.0 的魔法！

我們?nèi)绻?nbsp;http2 參數(shù)設(shè)置為 False 呢？

import httpx
client = httpx.Client(http2=False)
 
response = client.get('https://spa16.scrape.center/')
print(response.text)

一樣很不幸：

Traceback (most recent call last):
 ...
    raise RemoteProtocolError(msg)
httpcore.RemoteProtocolError: Server disconnected without sending a response.
 
The above exception was the direct cause of the following exception:
  ...
    raise mapped_exc(message) from exc
httpx.RemoteProtocolError: Server disconnected without sending a response.

所以，這就印證了，只要 HTTP/1.x 通通沒法治！可以給 requests 燒香了！

又一個(gè)無敵反爬蟲誕生了！各大站長(zhǎng)們，安排起來吧～

到此這篇關(guān)于Requests什么的通通爬不了的Python超強(qiáng)反爬蟲方案！的文章就介紹到這了,更多相關(guān)Python反爬蟲內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: