首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >爬虫攻防之前端策略简析

爬虫攻防之前端策略简析

作者头像
前端教程
发布2018-07-27 16:14:24
9741
发布2018-07-27 16:14:24
举报
文章被收录于专栏:程序员IT圈程序员IT圈

作者:coolcao coolcao.com/2018/06/09/tips-of-anti-spider-in-fe/

看到一篇文章,介绍在反爬虫过程中,前端工程师的各种脑洞,文章见这里。

文章里介绍了几个大的网站,在反爬虫过程中,采取的各式各样的策略,无不体现出前端工程师的奇葩脑洞。

还挺有意思的,就简单分析了一下,针对每个方案,看看有没有解决办法,于是整理成博客,记录一下。

1. 自定义字体形式

该方案是,自定义了一种字体,网页中使用乱码字符或者其他混淆字符,通过自定义字体的渲染成正确的显示数据。

代表网站有猫眼电影和去哪儿手机端。

1.1 猫眼电影

如上图,是猫眼首页今日票房栏的前10名统计(截图只截取了前三名),其中的票房数据,对爬虫来说是私密数据,于是,猫眼给“加密”了。

网页代码显示的是一堆乱码,都是方框。。。

我们通过浏览器的开发者工具查看该部分“方框”数字,发现是用了自定义的字体渲染成可视的数字的。

woff字体是网页开放字体格式,详细可参见 MDN。

我们把这个woff格式的字体文件下载下来,看一下这个自定义的字体里有啥奥秘呢?

这里推荐一个在线的字体编辑工具:百度字体编辑器。

将下载后的woff文件字体,在百度字体编辑器中打开:

好了,一目了然,这个字体文件里,采用随机的Unicode编码来定义了 0-9这几个数字以及一个空白符和一个小数点,而且数字定义的顺序不是固定的,Unicode编码也不是连续的。

也就是说,在HTML页面源码看到的方框,它的unicode应该和字体上的值是对应的,你可以用 charCodeAt()方法进行验证一下。

如果说,woff文件是固定的,那么其实问题很简单。但是,猫眼这个woff文件并不是固定的,而是随机的。

如果,woff字体文件里定义字体的顺序和实际数字顺序一致,或者其unicode值的顺序和真实数字是一致的,也简单。但是,顺序也是随机的。。。

所以,难道就真的没办法搞了么?

当然不!!!任何能在页面上显示的,都可以搞。

找到python的一个库 fonttools,可以解析成字体为 xml 文件,然后再根据xml里的信息找找:

其实百度字体编辑器代码是开源的,它其中依赖了一个核心库 fonteditor-core ,这个库应该也能解析字体数据,但是我在实验时,老是报错解析错误,不知为何,有兴趣的小伙伴可以自行研究一下,并分享一下研究成果,谢过。

from fontTools.ttLib import TTFont font = TTFont('/Users/coolcao/Downloads/b0a53bf9d791622d4681b8344fd118f92088.woff') font.saveXML('/Users/coolcao/maoyan2.xml')

生成的xml文件,有两部分很重要:

<GlyphOrder> <!-- The 'id' attribute is only for humans; it is ignored when parsed. --> <GlyphID id="0" name="glyph00000"/> <GlyphID id="1" name="x"/> <GlyphID id="2" name="uniEABA"/> <GlyphID id="3" name="uniEB51"/> <GlyphID id="4" name="uniE06D"/> <GlyphID id="5" name="uniF88C"/> <GlyphID id="6" name="uniF012"/> <GlyphID id="7" name="uniF6C7"/> <GlyphID id="8" name="uniE373"/> <GlyphID id="9" name="uniF48F"/> <GlyphID id="10" name="uniE429"/> <GlyphID id="11" name="uniF4CA"/> </GlyphOrder>

第一部分是字体概览,定义了字体集中的name,注意,这里id和实际数字并无关系,并不是实际的数字0,1,2…等等。name是采用unicode定义的 ,和在百度字体编辑器中的正好是一致的。

<TTGlyph name="uniF4CA" xMin="0" yMin="-13" xMax="511" yMax="719"> <contour> <pt x="130" y="201" on="1"/> <pt x="145" y="126" on="0"/> <pt x="216" y="60" on="0"/> <pt x="270" y="60" on="1"/> <pt x="332" y="60" on="0"/> <pt x="417" y="146" on="0"/> <pt x="417" y="270" on="0"/> <pt x="378" y="309" on="1"/> <pt x="337" y="349" on="0"/> <pt x="277" y="349" on="1"/> <pt x="251" y="349" on="0"/> <pt x="215" y="339" on="1"/> <pt x="225" y="416" on="1"/> <pt x="239" y="415" on="1"/> <pt x="296" y="415" on="0"/> <pt x="385" y="474" on="0"/> <pt x="385" y="535" on="1"/> <pt x="385" y="583" on="0"/> <pt x="322" y="646" on="0"/> <pt x="268" y="646" on="1"/> <pt x="217" y="646" on="0"/> <pt x="149" y="584" on="0"/> <pt x="139" y="518" on="1"/> <pt x="51" y="533" on="1"/> <pt x="67" y="623" on="0"/> <pt x="124" y="670" on="1"/> <pt x="182" y="719" on="0"/> <pt x="266" y="719" on="1"/> <pt x="324" y="719" on="0"/> <pt x="374" y="693" on="1"/> <pt x="423" y="669" on="0"/> <pt x="476" y="581" on="0"/> <pt x="476" y="485" on="0"/> <pt x="426" y="410" on="0"/> <pt x="377" y="388" on="1"/> <pt x="440" y="373" on="0"/> <pt x="511" y="281" on="0"/> <pt x="511" y="211" on="1"/> <pt x="511" y="118" on="0"/> <pt x="374" y="-13" on="0"/> <pt x="270" y="-13" on="1"/> <pt x="175" y="-13" on="0"/> <pt x="51" y="99" on="0"/> <pt x="42" y="189" on="1"/> </contour> <instructions/> </TTGlyph>

第二部分是具体每个字体的座标集合信息,这里我只摘录了其中的一个字符F4CA的信息,我们多刷新两次页面,拿两个不同的woff文件,转换成xml文件,对比会发现,虽然每次定义的unicode不同,顺序是随机的,unicode也不连续,但是,但是,但是,有一样是相同的,那就是上面第二部分字体的座标信息。为啥一样呢?因为每个数字样式是固定的,所以画出图来座标必定是一样的。

好了同志们,到这里,基本就明朗了,我们可以人工先把几个数字的座标点进行标记,然后每次刷新时,拿到新的woff字体时,通过fonttool将字体转换成xml格式,根据座标点信息,判断其uncode值分别是多少。然后再将代码中的“方框”转换成真实数字即可。

1.2 去哪儿手机端网页

去哪儿手机端采用的方案和猫眼类似,都是用的自定义字体进行混淆。

但去哪儿采用的是ttf格式的字体文件。这是不同点一。

而且,去哪儿自定义的字体,采用的unicode也比较简单,看下面:

去哪儿直接用的真实数字的uncode进行编码,只不过顺序和真实数字不是一一对应的,也就是说,网页源码中如果是 ‘183’,实际显示的数字却是 ‘361’。

而且每次好像也是不一样的。不过没关系,只要能用 fonttool 将其转换成xml文件,拿到里面的座标数据,那么,没跑。

1.3 起点中文网

有一个小说阅读网站,叫起点中文网,也是采用了自定义字体的形式,这也是在cnode上有一个小伙伴提问的,我这次也看了一下。

不看不知道,一看吓一跳,拿到源码里的“方框字”后,看了一下其 unicode 编码,全是一个unicode编码,如下面:

$ node test.js 94.37 d821 d821 d821 d821 d821

其中第一行94.37是真实显示的阅读数,后面的每一行是一个方框字对应的unicode编码,当我看到结果是,崩溃了,都是一样的,什么鬼。。。 同一个字符编码,能渲染出不同的数字来???

怎么套路和猫眼和去哪儿不一样呢?

从源码中,看到,这段阅读数加密的数字,使用了css 类名为 zxJBLkdl,顺着源码,找到类 zxJBLkdl 的定义部分,有这么一段代码:

<p> <em> <style> @font-face { font-family: zxJBLkdl; src: url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.eot?') format('eot'); src: url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.woff') format('woff'),url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.ttf') format('truetype'); } .zxJBLkdl { font-family: 'zxJBLkdl' !important; display: initial !important; color: inherit !important; vertical-align: initial !important; } </style> <span class="zxJBLkdl">?????</span> </em> <cite>万字</cite><i>|</i><em><style>@font-face { font-family: zxJBLkdl; src:url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.eot?') format('eot'); src:url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.woff') format('woff'),url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.ttf') format('truetype'); } .zxJBLkdl { font-family:'zxJBLkdl' !important; display: initial !important; color: inherit !important; vertical-align: initial!important; }</style><span class="zxJBLkdl">?????</span></em> <cite>万总点击<span>·</span>会员周点击 <style> @font-face { font-family: zxJBLkdl; src: url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.eot?') format('eot'); src: url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.woff') format('woff'),url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.ttf') format('truetype'); } .zxJBLkdl { font-family: 'zxJBLkdl' !important; display: initial !important; color: inherit !important; vertical-align: initial !important; } </style><span class="zxJBLkdl">????</span></cite><i>|</i><em><style>@font-face { font-family: zxJBLkdl; src: url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.eot?') format('eot'); src:url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.woff') format('woff'),url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.ttf') format('truetype'); } .zxJBLkdl { font-family:'zxJBLkdl' !important; display: initial !important; color: inherit !important; vertical-align: initial!important; }</style><span class="zxJBLkdl">????</span></em> <cite>万总推荐<span>·</span>周 <style> @font-face { font-family: zxJBLkdl; src: url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.eot?') format('eot'); src: url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.woff') format('woff'),url('https://qidian.gtimg.com/qd_anti_spider/zxJBLkdl.ttf') format('truetype'); } .zxJBLkdl { font-family: 'zxJBLkdl' !important; display: initial !important; color: inherit !important; vertical-align: initial !important; } </style><span class="zxJBLkdl">??</span></cite> </p>

在这段代码里发现了猫腻,其采用的也是随机字体的形式,比如此次刷新时的字体叫zxJBLkdl.woff,这不重要。

重要的是 这一行,这是啥,这是使用了html转义字符输出了几个不知名的方块字,然后通过字体再渲染出真实的数字显示。

这里和普通的 <等不同,这里叫做实体编号,实际转义字符都要转成实体编号才能被浏览器识别,具体请参阅这里。

可是为啥我拿到的unicode是一样的呢?

答案还是得从字体文件里找。使用fonttool将字体文件转换成xml,然后你就找到了下面的代码:

<GlyphOrder> <!-- The 'id' attribute is only for humans; it is ignored when parsed. --> <GlyphID id="0" name=".notdef"/> <GlyphID id="1" name="period"/> <GlyphID id="2" name="zero"/> <GlyphID id="3" name="one"/> <GlyphID id="4" name="two"/> <GlyphID id="5" name="three"/> <GlyphID id="6" name="four"/> <GlyphID id="7" name="five"/> <GlyphID id="8" name="six"/> <GlyphID id="9" name="seven"/> <GlyphID id="10" name="eight"/> <GlyphID id="11" name="nine"/> </GlyphOrder>

太明目张胆了,直接用英文来命名数字,再继续找这几个英文数字的定义,找到如下代码:

<cmap_format_12 platformID="3" platEncID="10" format="12" reserved="0" length="148"language="0" nGroups="11"> <map code="0x18751" name="eight"/><!-- ???? --> <map code="0x18753" name="two"/><!-- ???? --> <map code="0x18754" name="five"/><!-- ???? --> <map code="0x18755" name="three"/><!-- ???? --> <map code="0x18756" name="zero"/><!-- ???? --> <map code="0x18757" name="nine"/><!-- ???? --> <map code="0x18758" name="six"/><!-- ???? --> <map code="0x18759" name="four"/><!-- ???? --> <map code="0x1875a" name="period"/><!-- ???? --> <map code="0x1875b" name="one"/><!-- ???? --> <map code="0x1875c" name="seven"/><!-- ???? --> </cmap_format_12>

这里应该就是每个字符和其十六进制编码之间的关系了。将上面的转义编号的数字部分转换成十六进制,正好就是这十六进制的编码,因为这转义字符是“自定义的”,因此浏览器不能识别,只显示方框,估计在拷贝的过程中发生异常,浏览器不能识别具体的字符,都是按照方框去拷贝的,所以出来的unicode都是一样的。

到这里起点中文网的过程也明朗了,其实质和猫眼也是一样的,只是过程和形式不大一样而已。

1.4 小结

采用自定义字体的网站,思路都一致。

后端搭一套字体生成接口,随机生成一个woff字体,然后返回这个字体文件,以及各个数字的unicode对应关系,前端页面进行数据填充即可。

基本采用自定义字体的方式,都可以使用上面的思路去破解,先拿到一个字体文件,然后使用fonttool转换成xml,人工拿到每个数字的座标,然后就可以写程序,当拿到新的字体文件时,通过座标信息去判断每个数字到底是多少。

还有一种方案,使用无头浏览器进行截图,然后使用OCR工具进行文字识别,但这种方案问题在于,OCR识别存在一定的错误率,因此并不完美。这里就不说了。

2. 元素定位覆盖

这种方式太有意思了,给两套数据,前面一套假的,后面一套真的,然后显示时,通过css定位,将假的数据覆盖掉,只显示真实数据。

这个代码块里面,第一个 元素中有三个元素,其中0和8是假的,是被后面的两个元素的9和4覆盖掉了,显示的真实数据是 479 。

这种方式很有意思,但在反爬难度上,和第一种采用自定义字体的方式,略微低一点,感觉有点骗小孩的意思。

我们可以根据第一个b元素的宽度,以及后面b元素的宽度和偏移量来计算,拿到真正的值(实际浏览器不就是这样工作的么)。

比如上面这个,第一个b元素的宽度是54px,左偏移 -54px,第二个b元素为18px,左偏移-18px,那么很明显覆盖的是第三个数字嘛,第三个b元素左偏移-54px,覆盖的是第一个数字,这样完全可以写个程序自动判断,拿到真实数字。

这个方式没有写具体代码,但代码应该不难写,有兴趣的可以试试。

3. 背景图拼凑

还有一种形式是,使用背景图片,然后给位置,截图,拼凑出真实的数字。

如imweb这篇文章里提到的美团这种方式。但是我没找到美团哪个页面现在是这样的,应该是美团现在改版了,现在都是直接显示数字。

这种方式,和上面元素定位覆盖差不多的思想,但稍微复杂点,先把背景图片拿下来,然后再解析html拿到具体的 background-position具体的值,使用能够解析图片的类库进行截取数字,拿到的数字是图片格式的,没办法,这种只能在通过一次OCR识别了,图片,真的没办法。

因为是图片,所以与其那么复杂去解析每个位置是啥数字,倒不如直接通过无头浏览器进行截图,然后通过OCR识别来的直接,因为浏览器显示的就是图片,只能进行文字识别这条路了。

这种方式在破解时复杂点,还会存在一定的错误识别率,其实还是一种不错的反爬前端方案。但有一点不好的地方在于,由于是使用的图片,所以在显示上,不如文字那么清晰,而且在浏览器缩放时,也会有一定的模糊,给用户的体验会不好,不如文字清晰。

4. 伪类元素代替

汽车之家现在使用的是伪类元素,将词组拆开,使用伪类元素代替。

这种方式在搞起来,比上面字体要难感觉。

拿汽车之家举例,伪类的类名是随机的,而定义伪类的css样式,是js动态生成的,搞起来比较麻烦。

没有爬汽车之家的需求,不搞了,我在网上找到一篇关于搞汽车之家这种方式的文章,有兴趣的同学可以看下: 反爬虫破解系列-汽车之家利用css样式替换文字破解方法

从最终的结果来看,是js动态获取要替换的问题,然后动态替换了问题。而且现在汽车之家又升级了,要替换的文字也是动态获取的,没有任何标志,所以在实际操作起来,难度还是蛮大的。

汽车之家的前端,你可以的,佩服。。。

有兴趣的同学真的可以搞一下,搞定这个真的很有成就感。

5. 添加干扰字符并隐藏

这类有微信公共号的文章以及全网代理ip这个网站。

微信公众号里面,左侧下划线的部分文字为干扰文字,使用css的透明度(opacity)将透明度设置为0隐藏显示。

全网代理ip这个网站,左侧画细框的部分为干扰文字,使用css的display:none隐藏不显示。

这种方案的话,需要解析每个dom元素,并根据其css样式进行选择正确的字符进行拼装。难度应该不大,没具体实施。

6. 总结

这个周末主要的精力放到了搞自定义字体部分了,觉得这个特有意思,因为之前也遇到过,当时不知道咋弄。

爬虫与反爬向来都是,道高一尺,魔高一丈。在反爬方面,除了在后端上设置反爬策略,如限制ip访问频率,限制登录用户访问频率等等,前端在反爬上,也绞尽脑汁做了不少动作。

还是那句话,反爬做的就是,不断提升爬虫解析出正确数据的成本,但没办法真正防止爬虫。

对于爬虫来说,任何你能从浏览器上看到的数据,爬虫都能拿到,只是在拿数据时,难以程度有所不同而已。

希望该文章能给大家带来一些思路,帮助大家在爬虫与反爬虫过程中,作出更多有创新性的工作。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2018-06-19,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 程序员IT圈 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
文字识别
文字识别(Optical Character Recognition,OCR)基于腾讯优图实验室的深度学习技术,将图片上的文字内容,智能识别成为可编辑的文本。OCR 支持身份证、名片等卡证类和票据类的印刷体识别,也支持运单等手写体识别,支持提供定制化服务,可以有效地代替人工录入信息。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档