Selenium 系列篇（六）：反反爬篇

AirPython

发布于 2020-09-22 15:51:15

5.3K0

发布于 2020-09-22 15:51:15

文章被收录于专栏：Python 自动化Python 自动化

1. 反爬

有时候，我们利用 Selenium 自动化爬取某些网站时，极有可能会遭遇反爬。

实际上，我们使用默认的方式初始化 WebDriver 打开一个网站，下面这段 JS 代码永远为 true，而手动打开目标网站的话，则为：undefined

# 通过这段 JS 脚本区分是爬虫还是人工操作
window.navigator.webdriver

稍微有一点反爬经验的工程师利用上面的差别，很容易判断访问对象是否为一个爬虫，然后对其做反爬处理，返回一堆脏数据或各种验证码。

如果要实现后面的自动化操作，首先要解决的就是这个反爬的问题。

常见的反反爬方案包含：设置参数 excludeSwitches、mitmproxy 拦截过滤、cdp 命令，下面分别来说说。

2.设置参数 excludeSwitches

Chrome79 之前可以通过配置 ChromeOptions 驱动参数，来达到反反爬的目的。

只需要将参数打开，设置 excludeSwitches 值为 enable-automation 即可。

from selenium.webdriver import Chrome
from selenium.webdriver import ChromeOptions

option = ChromeOptions()

# 打开参数
option.add_experimental_option('excludeSwitches', ['enable-automation'])

driver = Chrome(options=option)

driver.implicitly_wait(10)

driver.get("http://www.google.com")

这个参数是实验性参数，所以右上角会提示：请停用开发者模式运行的扩展程序，不能点击停用。

这样，设置这个参数后：

window.navigator.webdriver 的值就变成 undefined 了。

3. mitproxy 拦截

众所周知，mitproxy 可以拦截到网络请求，做其他处理，这里只需要进行 JS 代码注入即可。

# 待执行的 JS 代码,修改 window.navigator.webdriver 的值
js_exec = 'Object.defineProperties(navigator,{webdriver:{get:() => false}});'


# 重写 response，截获网络请求，js注入
def response(slef,flow: mitmproxy.http.HTTPFlow):
        if 'google' in flow.request.url:
                flow.response.text = js_exec + flow.response.text

然后启动 mitmdump

# 启动mitmproxy
mitmdump -p 8888 -s 111.py

最后，配置 ChromeOptions 指向 mitmdump代码即可。

# 配置ChromeOptions
option.add_argument("--proxy-server=http://127.0.0.1:8888")

4. cdp 命令

cdp 全称是：Chrome Devtools-Protocol

通过 addScriptToEvaluateOnNewDocument() 方法可以在页面还未加载之前，运行一段脚本。

如此，我们只需要提前设置：

window.navigator.webdriver 的值为 undefined 即可。

from selenium.webdriver import Chrome
from selenium.webdriver import ChromeOptions

option = ChromeOptions()

# 打开参数
# option.add_argument("--proxy-server=http://127.0.0.1:8888")
# driver = Chrome(options=option)

driver = Chrome()
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
  "source": """
    Object.defineProperty(navigator, 'webdriver', {
      get: () => undefined
    })
  """
})

driver.implicitly_wait(10)
driver.get("http://www.google.com")