反爬虫与反反爬虫的斗争是无止境的,但是,道高一尺魔高一丈,无他,见招拆招。
这是一种比较低级的反爬手段,主要是验证请求头中的
User-Agent
字段,判断发起请求的是否是真正的浏览器。稍微进一步的是外加验证Referer
字段。
1 Opera
2 Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60
3 Opera/8.0 (Windows NT 5.1; U; en)
4 Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50
5 Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50
6
7 Firefox
8 Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0
9 Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10
10
11 Safari
12 Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2
13
14 chrome
15 Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36
16 Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11
17 Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML, like Gecko) Chrome/10.0.648.133 Safari/534.16
18
19 360
20 Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36
21 Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko
22
23
24 淘宝浏览器
25 Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11
26
27 猎豹浏览器
28 Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER
29 Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)
30 Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)"
31 QQ浏览器
32 Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)
33 Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)
34 sogou浏览器
35 Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0
36 Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)
37 maxthon浏览器
38 Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Maxthon/4.4.3.4000 Chrome/30.0.1599.101 Safari/537.36
39 UC浏览器
40 Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 UBrowser/4.0.3214.0 Safari/537.36
1 IPhone
2 Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5
3
4 IPod
5 Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5
6
7 IPAD
8 Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5
9 Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5
10
11 Android
12 Mozilla/5.0 (Linux; U; Android 2.2.1; zh-cn; HTC_Wildfire_A3333 Build/FRG83D) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1
13 Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1
14
15 QQ浏览器 Android版本
16 MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1
17
18 Android Opera Mobile
19 Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10
20
21 Android Pad Moto Xoom
22 Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13
23
24 BlackBerry
25 Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+
26
27 WebOS HP Touchpad
28 Mozilla/5.0 (hp-tablet; Linux; hpwOS/3.0.0; U; en-US) AppleWebKit/534.6 (KHTML, like Gecko) wOSBrowser/233.70 Safari/534.6 TouchPad/1.0
29
30 Nokia N97
31 Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18124
32
33 Windows Phone Mango
34 Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)
35
36 UC浏览器
37 UCWEB7.0.2.37/28/999
38
39 NOKIA5700/ UCWEB7.0.2.37/28/999
40
41 UCOpenwave
42 Openwave/ UCWEB7.0.2.37/28/999
43
44 UC Opera
45 Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999
稍微常见的反爬虫手段是封杀
IP
,当某个IP
在极短时间内反复请求网站数据,网站会判定该IP
发起的请求不是人类操作,是自动爬虫行为。应对的手段也很简单暴力,就是每次都换一个马甲发起请求,也就是使用代理IP
,我每次都用一个不同的IP
去请求数据,网站自然没法识别了。通常高匿稳定的代理IP
都是得花钱的,大家量力而为。
现在我们介绍的是不花钱的免费代理IP
池。原理很简单,大家去百度或者谷歌搜索免费代理IP
总能搜到几个可用的免费代理IP
,有些是付费代理IP
网站免费放出一两个来给大家试用的,但是一两个代理IP
还是不够用的,至少得有十几个才够我们轮换使用,这时候就有好心人将全网大部分释放免费代理IP
的网站给爬了,然后设定一个定时检查器,不断检查这些免费IP
是否可用,不能用的就移除,能用的保留,相当于维护了一个可用IP
池,这样每次爬虫发起请求时,就从IP
池取一个使用。
创建一个IP池,需由四部分组成
这里介绍一个简单的开源IP代理池 下载地址:https://github.com/Python3WebSpider/ProxyPool
注意:该项目源码存在兼容性BUG,请大家修改db.py
中第30行代码为:
1self.db.zadd(REDIS_KEY, {proxy:score})
当数据请求过多过快时,会弹出验证码界面,只有识别了验证码才能继续请求。
环境准备
安装
tesseract
一款由HP实验室开发由Google维护的开源OCR(Optical Character Recognition , 光学字符识别)引擎,与Microsoft Office Document Imaging(MODI)相比,我们可以不断的训练的库,使图像转换文本的能力不断增强
下载地址:http://digi.bib.uni-mannheim.de/tesseract
选择不带dev的为稳定版本下载,下载完成后双击打开,勾选Additional language data(download)
选项来安装OCR识别支持的语言包
安装tesserocr
它是Python对tesseract
的包装
下载地址:https://github.com/simonflueckiger/tesserocr-windows_build/releases
选择与Python解释器对应的版本下载
使用命令安装whl文件
1python -m pip install tesserocr-2.3.1-cp36-cp36m-win_amd64.whl
最后检查是否已安装pillow
1python -m pip install pillow
注意,坑来了,最后我们还需将之前安装的tesseract
目录下的tessdata
拷贝至Python解释器的根路径下,否则报错无法运行。
最小示例:
1 import tesserocr
2 from PIL import Image
3
4 image = Image.open('code2.jpg')
5 result = tesserocr.image_to_text(image)
6 print(result)
直接识别的识别率是不高的,因为验证码中会存在一些干扰线,需要进行一些处理
处理实例
1 import tesserocr
2 from PIL import Image
3
4 image = Image.open('code2.jpg')
5
6 # 将图片转为灰度图像
7 image = image.convert('L')
8
9 # 二值化阈值
10 threshold = 127
11 table = []
12 for i in range(256):
13 if i < threshold:
14 table.append(0)
15 else:
16 table.append(1)
17
18 # 将图片进行二值化处理,必须先转为灰度图像才能二值化处理
19 image = image.point(table, '1')
20 image.show()
21
22 result = tesserocr.image_to_text(image)
23 print(result)
补充说明:图像的二值化,就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果
在页面数据中人为的制造一些障碍,比如将某段文本动态渲染为图片,导致爬取的数据上下文不完整。
HTML
网页中并不包含真正数据,数据是通过JavaScript
在浏览器中动态渲染出来的,因此爬虫无法获得动态渲染的数据
网页中的URL接口添加了token
验证,这时需要人工破译网页中经过混淆的JavaScript
加密算法
在以上反爬手段中,最容易解决的是动态渲染,我们只需要借助浏览器驱动去渲染我们需要的数据即可,最难处理的是URL接口的token
验证,我们在下一篇中将详解讲解动态渲染的处理方法。