反-反爬虫：用几行代码写出和人类一样的动态爬虫

2017-09-19 本文已影响189人 a3aac2d1b674

欢迎大家前往腾讯云技术社区，获取更多腾讯海量技术实践干货哦~

作者：李大伟

Phantomjs简介

什么是Phantomjs

Phantomjs官网介绍是：不需要浏览器的完整web协议栈(Full web stack No browser required)，也就是常说的无头浏览器——或者好听点叫做：无界面的web解析器。

Phantomjs的特点

由于“无头”——免去了渲染可视化的网页界面，她的速度要比一般的浏览器快不少，又因为她是完整的web协议栈，所以不仅仅提供了JavaScript API，还完整的支持各类web标准：DOM操作、CSS选择器、JSON、Canvas和SVG，以及文件系统API和操作系统API。此外她还提供很多web事件监控处理接口(event handle)，这一点也是Phantomjs区别于selenium等web自动化测试工具的关键所在，具体的将在后续安全检测中详细说明。

笔者将Phantomjs的特征汇总如下表：

Phantomjs提供的API汇总

The WebPage API

HTML documents
DOM
Handle cookies
Handle events
Send requests
Receive responces
Wait For AJAX
User Interaction
Render Full Images

The System API

Get OS information
command-line

The FileSystem API

Read data from file
Writing JSON data to file

The WebServer API

process client requests

小结

鉴于以上特点，我们就会发现Phantomjs特别适合用来写！爬！虫！

支持JavaScript便可以动态加载资源，或完成一些模拟人类的动作；支持DOM操作便可以结构化页面；CSS的支持便可以快捷方便的完成页面文档的渲染，供我们保存图片或到处PDF；支持JSON、Canvas和SVG更是对与数据或多媒体页面处理的加分项；同时文件系统API的提供，也让我们很方便的将处理结果格式化存储起来。

Phantomjs常见的用法

1: 交互模式/REPL/Interactive mode

下载Phantomjs后，直接运行Phantomjs就进入了交互模式，这时我们可以把她当做一个JavaScript解释器使用，运算、js方法、使用window.navigator对象查看“浏览器”信息等等，大家如果安装了Phantomjs可以随意输入一些命令感受一下。感受结束后输入phantom.exit()`退出。

图：REPL　模式下的　Phantomjs

如果是初学js的同学，这个模式可能会比chrome的console栏更大一些，方便用来练习js命令。此外，这个这个模式并不常用，我们更多的是将Phantomjs看做一个二进制工具来使用。

2: 作为一个二进制工具

这也是Phantomjs最常用的一个模式：phantomjs /scripts/somejavascript.js来运行一个JavaScript脚本。脚本中可以使用Phantomjs提供的各类API(KM的markdown语法不支持页内锚点，详见文章前部分的“Phantomjs提供的API汇总”);

打开页面

创建一个webpage的实例，然后使用open方法打开腾讯网首页，如果返回值是成功，则日志打印出网页标题，之后退出。

/****************************************************************
* create an instance of the webpage module
* get the page and echo the page's title
* file: somejavascript.js
* auther : Taerg
* date : 12/05/2017
*****************************************************************/
var page = require('webpage').create();
// open the webpage
// defined callback: check the status and echo teh status
   page.open("http://www.qq.com", function(status) {
      if ( status === "success" ) {
        console.log("Page load success.The page title is:");
         console.log(page.title);
         } else {
      console.log("Page load failed.");
}
   phantom.exit(0);
});

获取cookie

当然，我们也可以用page.content来获取页面的所有内容，使用page.cookies来获取cookie。

如下，我们获取访问王者荣耀网站时的cookie，并使用键值对的方式打印在log里：

/****************************************************************
* create an instance of the webpage module
* echo the cookies
* auther : Taerg
* date : 12/05/2017
*****************************************************************/
var page = require('webpage').create();
console.log(1);
   page.open("http://www.qq.com/", function(status) {
      if (status === 'success') {
          var cookies = page.cookies;
          for(var i in cookies) {
            console.log(cookies[i].name + '=' + cookies[i].value);
          }
      }
   phantom.exit(0);
   });

对应的输出为：

图：phantomjs_getcookie

执行JavaScript

Phantomjs作为无头“浏览器“，当然对JavaScript的支持也是极好的。如下，我们定义了一个简单的函数，来获取页面标题后返回。只需要简单的调用page.evaluate()来执行这段JavaScript代码即可。

/****************************************************************
* create an instance of the webpage module
* include system module
* auther : Taerg
* date : 12/05/2017
*****************************************************************/
var system = require('system');
   var url = system.args[1];
  console.log(url);
   var page = require('webpage').create();
   page.open(url, function(status) {
     if ( status === "success" ) {
       var title = page.evaluate(function () {
         return document.title;
  });
  console.log(title);
  }
})
  phantom.exit(0);

使用第三方js库(如jQuery)

如果觉得自己用JavaScript代码来重复造轮子太麻烦，我们也可以在Phantomjs中使用第三方的JavaScript库。Phantomjs为我们提供了2中使用第三方库的方法：

方法一：includeJs()
方法二：injectJs()

二者常常混用，主要的区别在于injectJs是阻塞加载，而includeJs是动态加载。injectJs可以理解为代码执行到这里时，程序阻塞，加载这个js文件到内存后，程序继续运行，在操作页面时不会对这个文件发起请求。而includeJs则是在加载页面用到此js文件时动态加载文件。

实例代码如下：

/****************************************************************
* create an instance of the webpage module
* load third part js lib
* auther : Taerg
* date : 12/05/2017
*****************************************************************/
var page = require('webpage').create();
// open the webpage
page.open("http://www.qq.com", function(status) {
  page.injectJs('jquery321.js');
  //different with page.includeJs
  if (status === 'success') {
      var aoffset = page.evaluate(function() {
         return (typeof jQuery === 'function') ? jQuery.fn.jquery : undefined;
        });
    console.log(aoffset);
  }else{
    console.log('open error');
  }
phantom.exit(0);
});

输出如下：

我们先inject了版本号为3.2.1的本地jQuery文件，之后便可以使用jQuery的方法来查看jQuery版本。当然，这只是验证jQuery加载成功，在我们完全可以使用其他jQuery提供快捷方法来实现我们的需求。

保存指定页面区间截图

在我们处理页面时，常常会有保存页面截图的需求，比如：保存页面BUG的样子、关键信息的留证等等。这时我们就可以使用Phantomjs的page提供的render方法，她支持将完整的页面(自动滚屏截图)、指定区间的页面保存下来(.png, .pdf, .jpg等格式均支持)。

如下，我们想获取天气网站”我的天气“详情，而不去关注网页其他各种新闻和广告，我们只需指定区间，然后保存截图即可:

/****************************************************************
* phjs_clip.js
* get the weather pic
* auther : Taerg
* date : 12/05/2017
*****************************************************************/
var page = new WebPage();
page.open('http://www.weather.com.cn', function (status) {
    if (status !== 'success') {
        output.error = 'Unable to access network';
    } else {
        page.clipRect = {
            top: 200,
            left: 750,
            width: 300,
            height: 500
        }
        page.render('weather.png');
        console.log('Capture saved');
    }
    phantom.exit();
});

保存的图片如下所示：

图：phantom_get_weather

三行代码怒怼”反爬虫”

正常用户访问

当我们正常使用浏览器访问https://media.om.qq.com/media/5054676/list时，一切正常，如下图：

图：safari_get_omqq

根据这套反爬虫作者的解释，客户端经过JavaScript计算出来一个票据，包含在cookie将在服务端再次验证，验证通过则返回数据，验证不通过则不返回数据。如下图所示：

图：anti_spide

下面我们通过脚本来自动拉去这个页面数据试试

普通静态爬虫

curl get

首先我们先用最简答的curl来get这个页面看看能都拿到这个页面的数据：

图： curl_get_omqq

如上图所示，被反爬虫系统拦截了。

我们再用Python试试，使用最通用的“HTTP for humans”的requests.get请求：

图： request_get_omqq

可以看到依旧会被反爬虫机制拦截。

反爬虫原理分析

通过人工浏览器访问、抓包分析，我们可以看到：

1 . 人工访问这个网页一共发起了6条请求
2 . 第1条请求时直接请求目标url，由于没有合法票据，返回403。同时在403页面中包含了2个JavaScript文件

图： load_js

3 .接下来的2个请求分别为对403页面中的JavaScript脚本进行加载

4 .加载运行完毕后，获得了合法票据并添加进cookie中再次发起请求，产生了第4条请求。如下图：

图：omqq_signiture

5.第4条请求带有合法票据，因此没有被403forbidden掉，而是增加一个客户id标示后302跳转到了数据页面。如下图：Set-cookie中添加了id签名。

图： redirect

6 .此时，cookie中已经包含有了合法的签名以及客户id，请求到了JSON数据。得到了正常的页面：

图： safafi_get)omqq

基于Phantomjs的动态爬虫

至此，我们就可以根据前面的分析使用Phantomjs来逐步模拟人工请求，从而绕过反爬虫系统。先看代码：

/****************************************************************
* phjs_antispider.js
* anti-anti-spider script for https://media.om.qq.com/media/5054676/list
* auther : Taerg
* date : 12/05/2017
*****************************************************************/
var page = require("webpage").create();
var system = require("system")
url = system.args[1];
headers = {};
page.customHeaders = headers;
page.settings = {
    javascriptEnabled: true,
    userAgent: 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2062.124 Safari/537.36',
};
page.viewportSize = {
    width: 1024,
    height: 768
};

page.open(url,
    function(status) {
        page.injectJs('jquery321.js');
        if (status !== 'success') {
        console.log('Unable to access network');
        } else {
            page.evaluate(function() {
                var allElements = $('*');
                for ( var i = 0; i<allElements.length; i++ ) {
                    if (allElements[i].href) {
                        javascript_code = allElements[i].href.match("javascript:(.+)");
                        if (javascript_code){
                            console.log(javascript_code[0]);
                            eval(javascript_code[0]);
                        }
                    }
                }
            });
        }

window.setTimeout(
    function() {
        console.log("crawl_content:"+page.content+"content_end")
        phantom.exit()
    },
    1000
);
phantom.exit();
});

在上述代码中：

我们先修改page.settings，设置请用JavaScript，
同时自定义user-agent，伪造浏览器，
设置分辨率，进一步伪造人工浏览，
打开页面时引入jQuery文件，
使用jQuery的选择器选出页面中的所有元素，
如果元素中存在JavaScript脚本，则运行这些脚本，
设置页面超时时间，并打印出页面内容。

运行结果如下：可见，我们的请求已经绕过了反爬虫机制。

图： phantomjs_get_omqq

3行代码爬取：基于Casperjs的类人动态爬虫

卧槽，我就是个开发，你跟我说抓包分析啥的我不会啊！！宝宝只想爬点数据而已啊…

那就用三行代码来实现吧：

第一行创建一个casper实例
第二行发起请求
第三行执行并退出


/****************************************************************
* crawl the anti-aipder website: om.qq.com
* auther : Taerg
* date : 17/05/2017
*****************************************************************/

var casper = require("casper").create();
casper.start('https://media.om.qq.com/media/5054676/list', function() {
  require('utils').dump(JSON.parse(this.getPageContent()));
});
casper.run(function() {
    this.exit();
});

结果如下：

图：casper_get_omqq

这三行代码不仅成功绕过了反爬虫的限制，而且自带的JSON方法也将也数据结构化显示(存储)，对于复杂爬虫的开发可以极大的简化开发复杂度。

这三行代码中用到的就是—CasperJS。

CasperJS官方自称是一个开源的导航脚本和测试工具，但实际用起来爽的不行不行的。具体包括：

defining & ordering navigation steps
* filling forms
clicking links
capturing screenshots of a page (or an area)
making assertions on remote DOM
logging & events
downloading resources, even binary ones
catching errors and react accordingly
writing functional test suites, exporting results as JUnit XML (xUnit)

此外，CasperJS最为强大的地方在于我在这里给大家简单介绍之后，我就不用再说什么了，CasperJS拥有极其丰富的文档及实例代码。这一点对比核心文档还是TODO，需要我们来撰写各类文档的Phantomjs来说友好太多了。