谈谈反爬虫“政策与对策”

本文涉及的产品
云数据库 Redis 版,社区版 2GB
推荐场景:
搭建游戏排行榜
简介: 写博客,一部分是为了让自己今后能快速地复习之前学过的知识,整理下思路;另一方面是帮助到其他也遇到类似问题的童鞋。但是写博客很难坚持下来,原因嘛,各种各样。但说到底是没有“共鸣”。高山流水,难觅知音。

写博客,一部分是为了让自己今后能快速地复习之前学过的知识,整理下思路;另一方面是帮助到其他也遇到类似问题的童鞋。但是写博客很难坚持下来,原因嘛,各种各样。但说到底是没有“共鸣”。

高山流水,难觅知音。

其实,建立起写博客的习惯,就是那些点点滴滴的小事:每天看着博客的访问量,点赞数增加;看到自己的文章被别人评论等等。


好了,废话不多说。今天来谈谈关于刷浏览量的问题。虽然这远远的偏离了写博客的初衷,但是了解下这类问题还是不错的,毕竟“技术并不犯法!”。

反(反)爬虫机制

说到反爬虫,不得不说下爬虫了。其实这就是一个概念,爬虫就是将手动完成的事情交给了代码去自动化的实现罢了。而反爬虫就是探查用户是真实用户还是代码的一种手段。而反反爬虫就是针对反爬虫机制的一种手段。

都说“双重否定,表示肯定”,那么爬虫和反反爬虫应该是一样的了。其实不然,表面上行为是一致的,但是实际上反反爬虫做了更多的处理,而不是简单的小爬虫啦。

大体上来讲,反爬虫会从如下几个层面入手:
- header 浏览器的请求头
- User-Agent 用户代理,表明访问源身份的一种方式
- Referer 访问的目标链接是从哪个链接跳转过来的(做防盗链的话,就可以从它入手)
- Host 同源地址判断,用它会很有用
- IP 同一个IP短时多次访问,就很有可能是爬虫,反爬虫会对此做处理。
- 访问频率:短时多次高并发的访问,基本上就是有问题的访问。
上面这几个都是常见的反爬虫措施,当然还有更加高深的机制,比如最恶心的验证码(使用tesseract可以处理较为简单的验证码识别),用户行为分析,等等等等。

既然了解了常见的反爬虫机制,那相对应的进行“政策-对策”实现反反爬虫也就不是那么的没有头绪了。是的,针对上面的限制,我们会有一些对策。

  • 针对User-Agent 的,可以整理一些常见的浏览器代理头,每次访问随机使用其中一个就好了。
  • 针对IP的,可以使用代理IP嘛
  • 针对频率限制的,做下访问间隙做下随机休眠就挺不错的。
  • ……

实战

之前我一直是在CSDN上写博客,它的反爬虫机制说实话,做的比较的浅,一方面必要性不是很大,二来做反爬虫经纪上不太划算,估计他们也不愿意在这上面浪费吧。

所以,在CSDN上刷浏览量还是很随意的,说下我的思路。
- 代理IP爬取,验证清洗数据,定期更新。
- 浏览器User-Agent整理,添加访问的随机性。
- 随即休眠策略,日志处理,错误记录,定时重试等。

代理IP处理

# coding: utf8

# @Author: 郭 璞
# @File: proxyip.py                                                                 
# @Time: 2017/10/5                                   
# @Contact: 1064319632@qq.com
# @blog: http://blog.csdn.net/marksinoberg
# @Description: 抓取代理IP,并保存到redis相关的key中
import requests
from bs4 import BeautifulSoup
from redishelper import RedisHelper

class ProxyIP(object):
    """
    抓取代理IP,清洗,验证。
    """
    def __init__(self):
        self.rh = RedisHelper()

    def crawl(self):
        """
        不管是http还是https统统存进去再说。
        """
        # 先处理http模式的代理ip
        httpurl = "http://www.xicidaili.com/nn/"
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36'
        }
        html = requests.get(url=httpurl, headers=headers).text
        soup = BeautifulSoup(html, "html.parser")
        ips = soup.find_all("tr")
        for index in range(1, len(ips)):
            tds = ips[index].find_all('td')
            ip = tds[1].text
            port = tds[2].text
            ipinfo = "{}:{}".format(ip, port)
            if self._check(ip):
                self.rh.sAddAvalibeIp(ipinfo)
            # print(ipinfo)




    def _check(self, ip):
        """
        检测代理IP的有效性
        """
        checkurl = "http://47.94.19.186/common/checkip.php"
        localip = self._getLocalIp()
        # print("Local: {}, proxy: {}".format(localip, ip))
        return False if localip==ip else True

    def _getLocalIp(self):
        """
        获取本机的IP地址, 接口方式不太靠谱,暂时用手工方式在https://www.baidu.com/s?ie=UTF-8&wd=ip 进行手动复制粘贴即可
        """
        return "223.91.239.159"

    def clean(self):
        ips = self.rh.sGetAllAvalibleIps()
        for ipinfo in ips:
            ip, port = ipinfo.split(":")
            if self._check(ip):
                self.rh.sAddAvalibeIp(ipinfo)
            else:
                self.rh.sRemoveAvalibleIp(ipinfo)

    def update(self):
        pass


if __name__ == '__main__':
    pip = ProxyIP()
    # result = pip._check("223.91.239.159", 53281)
    # print(result)
    pip.crawl()
    # pip.clean()

Redis工具类

# coding: utf8

# @Author: 郭 璞
# @File: redishelper.py                                                                 
# @Time: 2017/10/5                                   
# @Contact: 1064319632@qq.com
# @blog: http://blog.csdn.net/marksinoberg
# @Description: 涉及redis的一些操作工具方法

import redis

class RedisHelper(object):
    """
    用于保存爬取到的博客内容链接。
    保存代理IP
    """
    def __init__(self):
        self.articlepool = "redis:set:article:pool"
        self.avalibleips = "redis:set:avalible:ips"
        self.unavalibleips = "redis:set:unavalibe:ips"

        pool = redis.ConnectionPool(host="localhost", port=6379)
        self.redispool = redis.Redis(connection_pool=pool)

    def sAddArticleId(self, articleid):
        """
        添加爬取到的博客id。
        :param articleid:
        :return:
        """
        self.redispool.sadd(self.articlepool, articleid)

    def sRemoveArticleId(self, articleid):
        self.redispool.srem(self.articlepool, articleid)

    def popupArticleId(self):
        return int(self.redispool.srandmember(self.articlepool))

    def sAddAvalibeIp(self, ip):
        self.redispool.sadd(self.avalibleips, ip)
    def sRemoveAvalibeIp(self, ip):
        self.redispool.srem(self.avalibleips, ip)
    def sGetAllAvalibleIps(self):
        return [ip.decode('utf8') for ip in self.redispool.smembers(self.avalibleips)]

    def popupAvalibeIp(self):
        return self.redispool.srandmember(self.avalibleips)

    def sAddUnavalibeIp(self, ip):
        self.redispool.sadd(self.unavalibleips, ip)
    def sRemoveUnavaibleIp(self, ip):
        self.redispool.srem(self.unavalibleips, ip)


csdn博文工具类

# coding: utf8

# @Author: 郭 璞
# @File: csdn.py                                                                 
# @Time: 2017/10/5                                   
# @Contact: 1064319632@qq.com
# @blog: http://blog.csdn.net/marksinoberg
# @Description: 爬取一个博主的全部博客链接工具类以及其他设计到的操作。
import re
import requests
from bs4 import BeautifulSoup

class BlogScanner(object):
    """
    抓取博主id下的所有文章链接id。
    """
    def __init__(self, bloger="marksinoberg"):
        self.bloger = bloger
        # self.blogpagelink = "http://blog.csdn.net/{}/article/list/{}".format(self.bloger, 1)

    def _getTotalPages(self):
        blogpagelink = "http://blog.csdn.net/{}/article/list/{}?viewmode=contents".format(self.bloger, 1)
        html = requests.get(url=blogpagelink).text
        soup = BeautifulSoup(html, "html.parser")
        # 比较hack的操作,实际开发还是不要这么随意的好
        temptext = soup.find('div', {"class": "pagelist"}).find("span").get_text()
        restr = re.findall(re.compile("(\d+).*?(\d+)"), temptext)
        # print(restr)
        pages = restr[0][-1]
        return pages

    def _parsePage(self, pagenumber):
        blogpagelink = "http://blog.csdn.net/{}/article/list/{}?viewmode=contents".format(self.bloger, int(pagenumber))
        html = requests.get(url=blogpagelink).text
        soup = BeautifulSoup(html, "html.parser")
        links = soup.find("div", {"id": "article_list"}).find_all("span", {"class": "link_title"})
        articleids = []
        for link in links:
            temp = link.find("a").attrs['href']
            articleids.append(temp.split("/")[-1])
        # print(len(articleids))
        # print(articleids)
        return articleids

    def get_all_articleids(self):
        pages = int(self._getTotalPages())
        articleids = []
        for index in range(pages):
            tempids = self._parsePage(int(index+1))
            articleids.extend(tempids)
        return articleids



if __name__ == '__main__':
    bs = BlogScanner(bloger="marksinoberg")
    # print(bs._getTotalPages())
    # bs._parsePage(1)
    articleids = bs.get_all_articleids()
    print(len(articleids))
    print(articleids)

Brush工具类

# coding: utf8

# @Author: 郭 璞
# @File: brushhelper.py                                                                 
# @Time: 2017/10/5                                   
# @Contact: 1064319632@qq.com
# @blog: http://blog.csdn.net/marksinoberg
# @Description: 开刷

import requests
import random
import time
from redishelper import RedisHelper


class FakeUserAgent(object):
    """
    搜集到的一些User-Agent,每次popup出不同的ua,减少反爬虫机制的影响。
    更多内容:http://www.73207.com/useragent
    """

    def __init__(self):
        self.uas = [
            "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",
            "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",
            "JUC (Linux; U; 2.3.7; zh-cn; MB200; 320*480) UCWEB7.9.3.103/139/999",
            "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:7.0a1) Gecko/20110623 Firefox/7.0a1 Fennec/7.0a1",
            "Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10",
            "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",
            "Mozilla/5.0 (iPhone; U; CPU iPhone OS 3_0 like Mac OS X; en-us) AppleWebKit/420.1 (KHTML, like Gecko) Version/3.0 Mobile/1A542a Safari/419.3",
            "Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_0 like Mac OS X; en-us) AppleWebKit/532.9 (KHTML, like Gecko) Version/4.0.5 Mobile/8A293 Safari/6531.22.7",
            "Mozilla/5.0 (iPad; U; CPU OS 3_2 like Mac OS X; en-us) AppleWebKit/531.21.10 (KHTML, like Gecko) Version/4.0.4 Mobile/7B334b Safari/531.21.10",
            "Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+",
            "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",
            "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",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)",
            "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.1 Safari/537.36",
            "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",
            "Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36",
            "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) ",
            "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)",
            "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",
            "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",
            "Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)",
            "Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999",
            "Openwave/ UCWEB7.0.2.37/28/999",
            "NOKIA5700/ UCWEB7.0.2.37/28/999",
            "UCWEB7.0.2.37/28/999",
            "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",
            "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",
            "Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10",
            "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",
        ]

    def _generateIndexes(self):
        numbers = random.randint(0, len(self.uas))
        indexes = []
        while len(indexes) < numbers:
            temp = random.randrange(0, len(self.uas))
            if temp not in indexes:
                indexes.append(temp)
        return indexes

    def popupUAs(self):
        uas = []
        indexes = self._generateIndexes()
        for index in indexes:
            uas.append(self.uas[index])
        return uas


class Brush(object):
    """
    开刷浏览量
    """

    def __init__(self, bloger="marksinoberg"):
        self.bloger = "http://blog.csdn.net/{}".format(bloger)
        self.headers = {
            'Host': 'blog.csdn.net',
            'Upgrade - Insecure - Requests': '1',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36',
        }
        self.rh = RedisHelper()

    def getRandProxyIp(self):
        ip = self.rh.popupAvalibeIp()
        proxyip = {}
        ipinfo = "http://{}".format(str(ip.decode('utf8')))
        proxyip['http'] = ipinfo
        # print(proxyip)
        return proxyip


    def brushLink(self, articleid, randuas=[]):
        # http://blog.csdn.net/marksinoberg/article/details/78058279
        bloglink = "{}/article/details/{}".format(self.bloger, articleid)
        for ua in randuas:
            self.headers['User-Agent'] = ua
            timeseed = random.randint(1, 3)
            print("临时休眠: {}秒".format(timeseed))
            time.sleep(timeseed)
            for index in range(timeseed):
                # requests.get(url=bloglink, headers=self.headers, proxies=self.getRandProxyIp())
                requests.get(url=bloglink, headers=self.headers)


if __name__ == '__main__':
    # fua = FakeUserAgent()

    # indexes = [0, 2,5,7]
    # indexes = generate_random_numbers(0, 18, 7)
    # randuas = fua.popupUAs(indexes)
    # randuas = fua.popupUAs()
    # print(len(randuas))
    # print(randuas)

    # print(fua._generateIndexes())

    brush = Brush("marksinoberg")
    # brush.brushLink(78058279, randuas)
    print(brush.getRandProxyIp())

入口

# coding: utf8

# @Author: 郭 璞
# @File: Main.py                                                                 
# @Time: 2017/10/5                                   
# @Contact: 1064319632@qq.com
# @blog: http://blog.csdn.net/marksinoberg
# @Description: 入口

from csdn import *
from redishelper import RedisHelper
from brushhelper import *
import threading

def main():
    rh = RedisHelper()
    bs = BlogScanner(bloger="marksinoberg")
    fua = FakeUserAgent()
    brush = Brush(bloger="marksinoberg")

    counter = 0
    while counter < 12:
        # 开刷
        print("第{}次!".format(counter))
        try:
            uas = fua.popupUAs()
            articleid = rh.popupArticleId()
            brush.brushLink(articleid, uas)
        except Exception as e:
            print(e)
            # 待添加日志处理程序
        counter+=1


if __name__ == '__main__':
    for i in range(280):
        temp = threading.Thread(target=main)
        temp.start()

运行结果

我拿了之前写过的一篇文章做了下测试。
博文链接:http://blog.csdn.net/marksinoberg/article/details/78058279

开刷之前为301个浏览量,简单刷了下之后,访问量为下图:

简单刷了下浏览量之后


总结

大致就是这个样子啦,虽然这顶多算个原型,因为代码完成度45%左右。有兴趣的可以加我QQ1064319632, 或者在评论中留下您的建议,大家一起交流,一起学习。

相关实践学习
基于Redis实现在线游戏积分排行榜
本场景将介绍如何基于Redis数据库实现在线游戏中的游戏玩家积分排行榜功能。
云数据库 Redis 版使用教程
云数据库Redis版是兼容Redis协议标准的、提供持久化的内存数据库服务,基于高可靠双机热备架构及可无缝扩展的集群架构,满足高读写性能场景及容量需弹性变配的业务需求。 产品详情:https://www.aliyun.com/product/kvstore &nbsp; &nbsp; ------------------------------------------------------------------------- 阿里云数据库体验:数据库上云实战 开发者云会免费提供一台带自建MySQL的源数据库&nbsp;ECS 实例和一台目标数据库&nbsp;RDS实例。跟着指引,您可以一步步实现将ECS自建数据库迁移到目标数据库RDS。 点击下方链接,领取免费ECS&amp;RDS资源,30分钟完成数据库上云实战!https://developer.aliyun.com/adc/scenario/51eefbd1894e42f6bb9acacadd3f9121?spm=a2c6h.13788135.J_3257954370.9.4ba85f24utseFl
目录
相关文章
|
1月前
|
数据采集 存储 数据安全/隐私保护
数据抓取过程中需要注意哪些法律和道德问题?
【2月更文挑战第23天】【2月更文挑战第74篇】数据抓取过程中需要注意哪些法律和道德问题?
|
3月前
|
云安全 人工智能 安全
面对网络威胁,2024年如何做好网络安全工作
为了应对网络安全威胁,企业和个人需要加强网络安全意识,采取有效的安全措施和技术手段,保障网络和数据的安全,维护网络空间的安全稳定。
|
存储 安全 算法
移动APP风险现状|学习笔记
快速学习移动APP风险现状
116 0
移动APP风险现状|学习笔记
|
监控 安全 大数据
探究互联网+网络信息安全的现状及对策
在互联网+时代的崭新复杂网络环境下,如何借助于计算机硬件以及现代管理技术保障计算机网络的安全性已经成为不得不予以重视的问题。本文就互联网+网络信息安全的现状做出了简要探析,同时针对性地分析了相应的解决对策,已经能够为有关单位提供借鉴作用。
|
安全 物联网
你不可不知的安全问题与9大趋势
当今安全问题与9大趋势,根据文章阿里安全资深总监张玉东解读安全技术9大新趋势整理。1、首先是国内企业安全意识觉醒力度不够、安全投入不足;2、其次,很多企业的安全做法相对于瞬息万变的黑灰产形态,仍然比较传统;3、安全行业参与各方尚未建立起有效协同;4、数字时代,企业在准备不足的情况下,就要面临数据安全保护的巨大挑战;5、即将到来的5G/IPv6/IoT时代将深刻改变互联网的安全格局。
1201 0
|
安全
各种安全问题(杂)
StringBuilder 的方法不是线程安全的 由于 StringBuilder 相较于 StringBuffer 有速度优势,所以多数情况下建议使用 StringBuilder 类。
1097 0
|
Web App开发 监控 安全
游戏安全资讯精选 2017年第十五期:网络安全人才短缺是安全事件的根源,游戏行业为典型;点评最新十大Web安全隐患;MongoDB最新漏洞缓解建议
网络安全人才短缺是安全事件的根源,游戏行业为典型;点评最新十大Web安全隐患;MongoDB最新漏洞缓解建议
2481 0