本文转载自Litten,已获作者授权。
1. 前言
对于一张网页,我们往往希望它是结构良好,内容清晰的,这样搜索引擎才能准确地认知它。
而反过来,又有一些情景,我们不希望内容能被轻易获取,比方说电商网站的交易额,教育网站的题目等。因为这些内容,往往是一个产品的生命线,必须做到有效地保护。这就是爬虫与反爬虫这一话题的由来。
因为自己写过些爬虫,也见过一些非常让人头疼的网站,但是自己并非专业写爬虫,分析也远不如这一篇博客里面写得那么详细和专业,所以遇到这篇好文章,非常感慨,向原作者申请转载。
2. 常见反爬虫策略
但是世界上没有一个网站,能做到完美地反爬虫。
如果页面希望能在用户面前正常展示,同时又不给爬虫机会,就必须要做到识别真人与机器人。因此工程师们做了各种尝试,这些策略大多采用于后端,也是目前比较常规单有效的手段,比如:
- User-Agent + Referer检测
- 账号及Cookie验证
- 验证码
- IP限制频次
而爬虫是可以无限逼近于真人的,比如:
- chrome headless或phantomjs来模拟浏览器环境
- tesseract识别验证码
- 代理IP淘宝就能买到
所以我们说,100%的反爬虫策略?不存在的。
更多的是体力活,是个难易程度的问题。
不过作为前端工程师,我们可以增加一下游戏难度,设计出一些很(sang)有(xin)意(bing)思(kuang)的反爬虫策略。
3. 前端与反爬虫
3.1 font-face拼凑式
例子:猫眼电影
猫眼电影里,对于票房数据,展示的并不是纯粹的数字。
页面使用了font-face定义了字符集,并通过unicode去映射展示。也就是说,除去图像识别,必须同时爬取字符集,才能识别出数字。
并且,每次刷新页面,字符集的url都是有变化的,无疑更大难度地增加了爬取成本。
3.2 background拼凑式
例子:美团
与font的策略类似,美团里用到的是background拼凑。数字其实是图片,根据不同的background偏移,显示出不同的字符。
并且不同页面,图片的字符排序也是有区别的。不过理论上只需生成0-9与小数点,为何有重复字符就不是很懂。
页面A:
页面B:
3.3 字符穿插式
例子:微信公众号文章
某些微信公众号的文章里,穿插了各种迷之字符,并且通过样式把这些字符隐藏掉。
这种方式虽然令人震惊…但其实没有太大的识别与过滤难度,甚至可以做得更好,不过也算是一种脑洞吧。
对了,我的手机流量可以找谁报销吗?
3.4 伪元素隐藏式
例子:汽车之家
汽车之家里,把关键的厂商信息,做到了伪元素的content里。
这也是一种思路:爬取网页,必须得解析css,需要拿到伪元素的content,这就提升了爬虫的难度。
3.5 元素定位覆盖式
例子:去哪儿
还有热爱数学的去哪儿,对于一个4位数字的机票价格,先用四个i
标签渲染,再用两个b
标签去绝对定位偏移量,覆盖故意展示错误的i
标签,最后在视觉上形成正确的价格…
这说明爬虫会解析css还不行,还得会做数学题。
3.6 iframe异步加载式
例子:网易云音乐
网易云音乐页面一打开,html源码里几乎只有一个iframe
,并且它的src是空白的:about:blank
。接着js开始运行,把整个页面的框架异步塞到了iframe里面…
不过这个方式带来的难度并不大,只是在异步与iframe处理上绕了个弯(或者有其他原因,不完全是基于反爬虫考虑),无论你是用selenium还是phantom,都有API可以拿到iframe里面的content信息。
3.7 字符分割式
例子:全网代理IP
在一些展示代理IP信息的页面,对于IP的保护也是大费周折。
他们会先把IP的数字与符号分割成dom节点,再在中间插入迷惑人的数字,如果爬虫不知道这个策略,还会以为自己成功拿到了数值;不过如果爬虫注意到,就很好解决了。
3.8 字符集替换式
例子:去哪儿移动侧
同样会欺骗爬虫的还有去哪儿的移动版。
html里明明写的3211,视觉上展示的却是1233。原来他们重新定义了字符集,3与1的顺序刚好调换得来的结果…