运用phantomjs无头浏览器破解四种反爬虫技术

在与反爬虫的对抗中,我们爬虫的大招有两个,其一是多种ip跟换方式(例如adsl|代理|tor等请参看之前的文章)。其二是无头浏览器,使用自动化的技术来进行自动数据抓取,模拟鼠标与键盘事件,可以用于破解验证码,js解析,诡异的模糊数据这类型的反爬虫技术。

1 phantomjs原理说明:

无头浏览器不是什么闹鬼的东西,他也称为无界面浏览器,他本身是用来做自动化测试的,不过似乎更适合用来搞爬虫。他的官方网址是:http://phantomjs.org/quick-start.html 如果想看他的中文api的话我整理了一份资料在:这里

下载之后会得到个一个exe文件,linux下也一样。在命令行则是在该文件的目录下输入 phantomjs  就算是用该浏览器启动你的爬虫代码。

 

2  牛刀小试

下列js代码就是需要运行phantomg

保存为request.js文件。然后在当前目录下命令行运行:就会返回整个网页的源码,然后爬虫你懂得的小解析一下就可以抽取出xici代理的免费ip了。

如图:2016-09-12-19-17-38%e5%b1%8f%e5%b9%95%e6%88%aa%e5%9b%be

 

3 破解基础的js解析能力限制

遇到过两种其一是该网站故意用js做了延迟返回真实数据,先返回一部分,之后再进行几秒的js能力验证后加载。另外一种则检测是无js处理能力当即就给出拒绝码,这类型就是xici代理的方式,如果你用python直接发送请求,无论是scrapy还是requests,都会返回500错误。如下:

2016-09-12-19-34-05%e5%b1%8f%e5%b9%95%e6%88%aa%e5%9b%be

但是如果你使用上面牛刀小试的代码,在python中用系统指令调用这行命令,则相当于用phantomjs来执行请求操作,源代码就会直接返回。可以用python用下列


之后就是字符串处理,很简单不废话了。

 

4 破解采用display:none来随机化网页源码

总所周知,我们在爬虫中想要选出某个需要的数据,可以使用xpath或者正则这类字符串的操作,然而必然需要对方的网站有一定规律,才能合理的抽出数据,因此也有使用nodisplay这个属性,让显示的后台代码十分混乱,但是前台呈现给用户的数据并不会混乱比如:http://proxy.goubanjia.com/

如图,我使用chrome来检测这ip部分的源代码的时候就会出现后台乱七八糟的显示情况,有网站还会随机类的名字,让更加不好捕捉。

2016-09-13-10-45-33%e5%b1%8f%e5%b9%95%e6%88%aa%e5%9b%be   2016-09-13-10-45-51%e5%b1%8f%e5%b9%95%e6%88%aa%e5%9b%be

然后破解方式也曲线救国。

破解思路:(避免查水表不发布源代码)

使用phantomjs的截图功能。(具体查官方api。并不困难,其样例代码中rasterize.js 这一篇也是实现截图的功能)例如:

然后单独取出ip和port部分的图片。使用python进行图文转换。大致如下:

  1. 安装PIL中image库
  2. 遍历每一个像素点,做一个锐化加强对比去除杂色和二值化,保存改良过的图片。
  3. 调用pytesseract 运行函数:print pytesseract.image_to_string(Image.open(‘end.png’))
  4. 如果你的图像处理的比较清晰就可以轻松识别出图文。

注意好切割图片,不要整个图片一次性的识别,最好能单独切出一个ip。然后进行识别,准确性高。主要的难度其实是安装环境和图片优化比较麻烦。

 

5 破解简单的图片文字相互替代

这部分和上个问题也相当重合:相当于是对方把一些数据变成图片,而我们则是下载这些图片然后进行图片优化,然后解析比如:http://ip.zdaye.com/

当抓取他的页面的时候,ip好抓,但是端口号是图片的。下载图片之后还是需要做好上诉转换。识别起来准确性也是95%+

2016-09-13-11-04-06%e5%b1%8f%e5%b9%95%e6%88%aa%e5%9b%be  2016-09-13-11-04-17%e5%b1%8f%e5%b9%95%e6%88%aa%e5%9b%be

这方面给三个传送门自行学习:

  • 简单数字去噪二值化识别:http://www.verydemo.com/demo_c122_i2907.html
  • 验证码破解原理:http://udn.yyuap.com/doc/ae/920457.html
  • 机器学习式破解:https://www.91ri.org/13043.html

 

6 破解拖动验证码

破解只是兴趣而已,总不能砸别人饭碗。只是提一下思路:

  1. 截取触发前后的验证码图片。运用变化点作为二值化可以得出需要偏移的像素点
  2. phantomjs控制鼠标进行拖动
  3. 唯一困难的就是拖动的轨迹不能是太机器化,否则你的验证码会被吃掉。
  4. 还有别人使用ajax等跳过请求,也是一种方式不过也挺难的。
  5. 请勿私信问代码。没留。

jietu_2 jietu_3 jietu_5

 

7 总结:

与反爬虫进行斗争,如果你能熟练使用上诉的技巧就基本无往而不利了。

使用adsl | tor | 代理 | 可以让对方无法针对ip封禁,使用header的字段伪造,算是入门防止对方识别并返回假数据。使用phantoms则基本对方不能阻止你的访问。毕竟是真实的浏览器发起的请求。现在还能存在的漏洞就是可以通过一些特性检测识别出你使用的是phantoms浏览器然后阻止,能实现这个的网站也不多。另外还有困难的就是复杂的验证码破解的,只有机器学习一条路了。

本文仅作技术分享,不公布破解源代码,希望读者可以互相学习,增长技艺。

打赏支持我写出更多好文章,谢谢!

打赏作者

打赏支持我写出更多好文章,谢谢!

1 9 收藏 评论

关于作者:路易十四

少年程序猿,从事数据采集挖掘方面:个人博客,www.urlteam.org,邮箱:a83533774@gmail.com主要技能树:python,爬虫,linux,web前端,ACM,骑行。 个人主页 · 我的文章 · 9 ·   

相关文章

可能感兴趣的话题



直接登录
跳到底部
返回顶部