本帖最后由 warner 于 2023-4-20 10:03 编辑
前言
最近发现一个很6的东西。这个问题是在差不多半个月前,在技术群里一个老哥发现的问题,然后在群里跟大家讨论。
这个网站,请求的时候,requests正常:
原始的curl也可以
aiohttp,直接报错
httpx,也直接报错:
不过httpx的报错要明显点,这就进入了有意思的环节
分析
看到这里,估计就有朋友开始冷笑了:搞爬虫大部分不都用requests的吗,谁会用httpx和aiohttp这些啊,感觉这个是不是没啥用啊。
别急,朋友,在文章的下面会说这个,当然如果你赶时间或者觉得没啥意思,那就没必要浪费时间继续看了
1.httpx
拿着上面的报错,去网上搜,找到如下issues:
https://github.com/encode/httpx/issues/1561
https://github.com/encode/httpx/issues/1363
看完里面各位大佬的一顿分析,说是hyper库的问题:
然后hyper库的开发者,如下链接回复:
https://github.com/python-hyper/h11/issues/113
大概意思是这个不是一个问题,而是http请求的严格性判断问题,请求头的协议,按国际标准,是不能出现 “[Cache-Control]” 这种带有特殊符号作为响应头的键名的,所以报错
而requests却可以,或许是因为requests的校验不严格,直接就放过了:
而,浏览器访问也是可以的:
那么我个人就有理由认为
这是一个bug,httpx和aiohttp都存在的bug
httpx的作者,对这个问题那段时间确实在尝试解决,github机器人都想关闭了,httpx作者还不想放弃:
且至今没解决,遇到的人还不少,至少,上个月都还有人在说这个问题
卧槽,这时间,上周都还有人在问啊:
其中也有说解决办法,看到有个老哥说改h11的源码,改成这样:
但是报错依然在
另外有个老哥说了这个方法:
[Python] 纯文本查看 复制代码
h11.readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")
我把这个代码直接放我代码里,报错了,根本没有这个属性
经过一顿查阅,他换了个属性名,是这个:
[Python] 纯文本查看 复制代码 import h11
from h11 import _readers
import re
h11._readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")
但是我试了,换成了新的报错:
也许是正则表达式写的不完美:
正则表达式通用匹配一下,然后就可以了:
[Python] 纯文本查看 复制代码 import httpx
import h11
from h11 import _readers
import re
# h11._readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")
h11._readers.header_field_re = re.compile(b"(?P<field_name>.*?):[ \t](?P<field_value>.*?)")
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36'}
url = '
# url = '
resp = httpx.get(url=url, headers=headers)
print(resp.text)
但是,我换了一个网站,也就是那个issue里某华某为的社区地址,不出正常的结果:
所以,修改正则表达式并不是一个通用的方案。
插一句,在请求的时候,就不要开代{过}{滤}理或者抓包软件了,不然他报错更奇怪:
综上所述,也就是,只要服务器的返回头埋的坑够多,这个方法根本无法完美解决那么这个问题,httpx作者就给了个这个解释就没下文了
https://github.com/encode/httpx/issues/767#issuecomment-1367498458
就这么不了了之了。。。
因为根据http协议的响应头原理,确实不会出现这种不标准的字段
更官方的解释可以去查查http协议原理,或者看看以下资料:
https://developer.mozilla.org/zh-CN/docs/Glossary/Response_header
我的理解如下:
客户端需要先解析响应头,通过响应头的一些规范来解析返回的响应体的,既然你响应头都报错了,那后续的响应体解析自然也不会往下走了,直接报错退出。
2.aiohttp
对于aiohttp来说,像上面那么加正则表达式是无效的:
一顿搜索,发现有如下方案
改完发现并没有用
这还有说,改成1,也试了,不行
更多的就不演示了反正就是一顿查找,发现aiohttp上并没有合理方案解决
针对的解决方案
1.用requests
上面有了,这里就不展示了
但是requests我们知道,它是不支持http2.0协议的
2.用正则表达式替换
上面也有了,这里不贴了但是不能完美覆盖后续的响应头特殊参数
3.用urllib3处理
这个库用的倒不多,但可以直接请求:
但是他也是个可以直接拿来请求的库,相比requets,那很多功能还是没有。其实requests本质就是借助了urllib3库的
所以,这个库,不出意外应该也是不支持http2.0的
用非常规的请求库尝试
既然目前的方法,除了requests/urllib3,其他都不行,那我在这个基础之上,强制http2,是不是就可以干掉requets库了,python的常规请求库直接无可用的,直接干死这些爬虫?
想的挺美的,哈哈
1.用tls-client试试
虽然他是用来对抗tls的,试试呢:
可行。为啥,因为他原理就是完全模拟浏览器,大概看了它的源码,用curl_impersonate库,打包成了一个dll(具体怎么打包的不可知,这部分没开源,插一句,据群友反馈,也是因为这个dll,会导致内存泄漏),然后可以直接用,上面说过了,浏览器可以访问,那这个库肯定也可以访问了
那么测试那个某为的网址:
不行,被识别了,牛吧,还是得是某为啊
2.用curl_cffi试试
再来测试那个某为的网址:
这么对比,看来curl_cffi才是获胜者啊,只能说,牛逼啊!!!
实现一个anti aiohttp、httpx的服务
简单的用fastapi 实现一个简单的服务,设置了下响应头,直接无情的嘲讽(只能设置英文状态的,要不然嘲讽力度拉满,嘿嘿)
1.用httpx请求
httpx代码不变,只是把url换了,果然报错
2.用aiohttp请求
再来看aiohttp,果然报错,哈哈哈哈
2.用http.client请求
3.用urllib3、requests测试
还得是这哥俩啊,直接能跑
4.用node的request请求看看
刺激,也给防住了。
5.用golang 看看
刺激啊,也没有正常返回
6.用postman看看
postman也直接无返回
7.用安卓看看
[Java] 纯文本查看 复制代码 package com.geek.spiderclient;
import androidx.appcompat.app.AppCompatActivity;
import android.os.Bundle;import android.util.Log;
import android.widget.TextView;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.UnsupportedEncodingException;
import java.net.HttpURLConnection;
import java.net.URL;
public class MainActivity extends AppCompatActivity {
private TextView textView;
[url=https://www.52pojie.cn/home.php?mod=space&uid=1892347]@Override[/url] protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_main);
textView = findViewById(R.id.hello);
new Thread(new Runnable() {
String result = "";
@Override
public void run() {
try {
String url_string = "http://192.168.30.251:8000/";// 由于高版本有https的限制,需要修改targetSdk为27及一下。
URL url = new URL(url_string); //得到connection对象。
HttpURLConnection connection = (HttpURLConnection) url.openConnection(); //设置请求方式
connection.setRequestMethod("GET"); //连接
connection.connect(); //得到响应码
int responseCode = connection.getResponseCode();
Log.d("headers", "" + connection.getHeaderFields());
if (responseCode == HttpURLConnection.HTTP_OK) { //得到响应流
InputStream inputStream = connection.getInputStream(); //将响应流转换成字符串
result = is2String(inputStream);//将流转换为字符串。
Log.d("result", "result=============" + result);
}
}
catch (Exception e) {
e.printStackTrace();
}
runOnUiThread(new Runnable() {
@Override
public void run() {
Log.e("result", "runOnUiThread");
textView.setText(result);
}
});
}
}).start();
}
public String is2String(InputStream is) { //连接后,创建一个输入流来读取response
BufferedReader bufferedReader = null;
try {
bufferedReader = new BufferedReader(new InputStreamReader(is, "utf-8"));
String line = "";
StringBuilder stringBuilder = new StringBuilder();
String response = ""; //每次读取一行,若非空则添加至 stringBuilder
while ((line = bufferedReader.readLine()) != null) {
stringBuilder.append(line);
} //读取所有的数据后,赋值给 response
response = stringBuilder.toString().trim();
return response;
}
catch (IOException e) {
e.printStackTrace();
}
return null;
}}
打包好之后:
安卓是可以的
再来看看服务端这边
其实是有正常请求的,但是客户端那边无法正常解而已。
那么有朋友估计有想法,那既然报错,我捕获异常强制打印结果不行吗?
这里还是用回到python httpx库试试
不行的哈哈,原因前面说过了
配置将服务强制http2.0协议
1.配置服务端
说干就干,准备尝试把代码移植刀服务器上,直接启动这边的服务,然后nginx搭建好,配置好http2,我买的服务器它默认没给开80和443等常规的库,问了客服说要申请备案了才行,卧槽,很迷,无所谓,我把这个服务搭建到6363端口上:
nginx如下配置:
[Bash shell] 纯文本查看 复制代码
server {
# listen 6363;
listen [::]:6363 ssl http2; # managed by Certbot
listen 6363 ssl http2; # managed by Certbot
ssl_certificate /root/cert.pem; # managed by Certbot
ssl_certificate_key /root/key.pem; # managed by Certbot
if ($server_protocol !~* "HTTP/2.0") {
return 444;
}
root /data/www/fast-tortoise;
server_name 0.0.0.0;
location / {
proxy_set_header x-Real-IP $remote_addr;
proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
proxy_set_header Host $http_host;
proxy_pass http://127.0.0.1:8000/; # gunicorn绑定的fastapi的端口号
} # 配置static的静态文件:
location ~ ^\/static\/.*$ {
root /data/www/fast-tortoise/static;
}}
证书文件用以下命令生成即可:前提得安装openssl库
[Bash shell] 纯文本查看 复制代码 openssl req -x509 -newkey rsa:4096 -keyout key.pem -out cert.pem -days 365 -nodes
2.请求测试
配置好了之后,首先requests肯定是不行了,因为不支持http2.0。这里就不演示了。
用httpx测试下,唉?直接就给放行了
卧槽?反爬虫路途创业未半中道崩卒....
.....
看来http2.0把这个问题修复了呀......
......
那就只能在http1.0,http1.1下防住一部分的爬虫了
那有朋友估计要问了,你这个操作,好像只是有点奇怪,但实际并没有文章标题说的那么邪乎啊,说直接点,基本没啥用啊
解惑
如果坚持看到这里的朋友,还没有忘记前面说的有关requests问的话。ok,这里开始说说。
其实我一开始发现这个所谓的bug的时候,感觉也不是太有用,requests都能跑,没把requests防住,那肯定没啥意思啊。
那么这个所谓的bug,真的没用吗?
只是这一个的话肯定防不住的,可以用来跟其他反爬手段组合啊,比如tls指纹,或者其他的风控检测手段等等的。
其实,我在发这篇文章之前,也开发了两个爬虫练习题:
第一题就是这个bug了。
第二题是另外一个检测手段,可以检测到requests和httpx,tls-client,curl_cffi,aiohttp,还有常规的请求软件,而且没有用到tls指纹
本来说是先让群友拿来玩,然后过几天发文章公开检测手段以及如何bypass的。
我没想到,有无聊的人搞我服务器.....,所以我服务关了
以后想好了再公布另一种检测方案吧
结语
爬虫的核心,还是指纹等静态特征完全的模拟浏览器环境,行为等动态特征完全的模拟人为操作
第一次在吾爱发帖,萌新表示好紧张,排版调了好半天
感谢大哥大姐们的耐心观看!!!!
|