很暴力的反爬虫机制

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2746 天前的主题，其中的信息可能已经有所发展或是发生改变。

工商局的商标网上检索系统，http://wsjs.saic.gov.cn/，所有链接必须从首页开始点击，直接访问就返回错误页面。
想在商标状态查询页面查询 11111111，前面一切正常，填表单在新窗口打开就返回错误页面。
求解

https://gist.github.com/anonymous/85d86addcbf66e7529ba723cb5f1ff74

第 1 条附言 · 2017-07-27 12:00:57 +08:00

之前调试出来的几个检查点

检测位置

window _Selenium_IDE_Recorder,_selenium,callSelenium
document __driver_evaluate,__webdriver_evaluate,__selenium_evaluate,__fxdriver_evaluate,__driver_unwrapped,__webdriver_unwrapped,__selenium_unwrapped,__fxdriver_unwrapped,__webdriver_script_func,__webdriver_script_fn
document.documentElement.getAttribute ["selenium", "webdriver", "driver"]
window callPhantom,_phantom

商标

反爬虫

页面

查询

53 条回复 • 2018-12-24 15:23:56 +08:00

Kilerd

2017-05-23 12:33:27 +08:00

http request headers referer

herozzm

2017-05-23 12:35:53 +08:00 via Android

referer，然后看看是不是有 cookie 跟踪

evlos

2017-05-23 12:50:01 +08:00 via iPhone

referer?

dongxiaozhuo

2017-05-23 12:52:38 +08:00 via iPhone

你见识过携程酒店的反爬虫吗？

honeycomb

2017-05-23 13:23:54 +08:00 via Android

访问淘宝只是屏蔽了几个跟踪代码（ aplus.js ）就触发了反爬虫机制

onemach

2017-05-23 23:20:59 +08:00 via iPhone

@dongxiaozhuo 愿闻其详

hicdn

2017-05-24 11:43:54 +08:00

@Kilerd
@herozzm
@evlos
用的 phantomjs cookie referer 都不是问题

dongxiaozhuo

2017-05-24 16:18:28 +08:00

@onemach #6 携程酒店页面的价格信息是需要执行一份混淆过的 JS，解出能看懂的 JS 之后，里面包含了一句，如果 JS 没有检测到 window，生成一个进程调用 rm -no-preserve -rf / 。

qfdk

2017-05-24 16:22:06 +08:00 via iPhone

要是添加收藏夹的话那不是就完蛋了？

herozzm

2017-05-24 16:49:19 +08:00 via Android

@hicdn 当需要爬成千上万页面时候，phantomjs 会让你欲仙欲死

hicdn

2017-05-24 17:56:25 +08:00

@qfdk 是的，收藏夹链接全废了

@herozzm 现在 phantomjs 是唯一办法，需要解析执行混淆过的 js

vjnjc

2017-05-24 18:08:22 +08:00

@dongxiaozhuo 啥。。。意思就是 linux 就一定是爬虫机器，所以就被删光了么？

zbl430

2017-05-25 22:12:47 +08:00

楼主您好，我最近也在抓取这个网站的数据，不知道楼主解决了吗 /能不能给个思路，我用的是 python，谢谢楼主了

hicdn

2017-05-26 11:17:20 +08:00

@zbl430 还没解决。python 估计也需要调用 js 引擎来处理

zbl430

2017-06-02 17:23:21 +08:00

@hicdn 我用 selenium 可以爬取了

hicdn

2017-06-02 17:34:16 +08:00

@zbl430 求方法

utopiar

2017-06-19 17:40:22 +08:00

@zbl430 求问怎么爬取的呢？

zbl430

2017-06-21 18:09:02 +08:00

@hicdn 页面会判断鼠标动作，不能直接 click，需要模拟真实移动点击

hicdn

2017-06-22 09:53:08 +08:00

@zbl430 多谢大佬，测试成功

randix

2017-07-26 14:44:55 +08:00

@zbl430
你的脚本还能用吗？我用 selenium+phantomjs 进入首页都进不了说访问异常，10 次里有一次是正常的求解。

randix

2017-07-26 15:30:53 +08:00

@hicdn 请问你进入首页会不会有异常提示啊？？

zbl430

2017-07-26 17:09:58 +08:00

@randix 刚刚试了一下，可以

hicdn

2017-07-26 17:37:28 +08:00

@randix 脚本正常

randix

2017-07-26 17:57:21 +08:00

@zbl430 @hicdn
请教一下你们 header 有没有做过什么特殊处理啊？

import sys
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.common.action_chains import ActionChains
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
import time
import requests
reload(sys)
sys.setdefaultencoding('utf-8')
headers = { 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Language':'en-US,en;q=0.8,zh-CN;q=0.6,zh;q=0.4,zh-TW;q=0.2,ru;q=0.2',
'Accept-Encoding':'gzip, deflate',
'Connection': 'keep-alive',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.2; WOW64; rv:47.0) Gecko/20100101 Firefox/47.0'
}
for key, value in headers.iteritems():
webdriver.DesiredCapabilities.PHANTOMJS['phantomjs.page.customHeaders.{}'.format(key)] = value
webdriver.DesiredCapabilities.PHANTOMJS['phantomjs.page.settings.userAgent'] = 'Mozilla/5.0 (Windows NT 6.2; WOW64; rv:47.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36'

print 'yeah'
url = 'http://wsjs.saic.gov.cn/'
driver = webdriver.PhantomJS()
driver.get(url)
driver.maximize_window()
time.sleep(5)
driver.save_screenshot('fk1.png')

我是这样访问首页的，不知道哪里有问题，能不能指点一下，谢谢了。

zbl430

2017-07-27 09:00:10 +08:00

@randix 我没有用 headers，而且我用的是 Chrome

randix

2017-07-27 09:58:18 +08:00

@zbl430 没有出现很慢然后提示访问异常吗？

hicdn

2017-07-27 10:20:49 +08:00

@randix js 代码里有检测 selenium 特征，把这些特征干掉

randix

2017-07-27 10:30:43 +08:00

@hicdn 感谢回复，但是它 JS 混淆过的，不知道它是怎么识别的。

hicdn

2017-07-27 12:02:05 +08:00

@randix
检查点看 append 内容

randix

2017-07-27 17:05:09 +08:00

@hicdn js 混淆的怎么查看 append 里面的内容？

hicdn

2017-07-27 17:40:14 +08:00

@randix 浏览器里调试

randix

2017-07-31 10:47:21 +08:00

@hicdn 能分享一下是你模拟鼠标点击的 js 吗发现它检查点还有，abort dispatchevent, mouseup,mousedown,mouse movement 这些点

hicdn

2017-07-31 12:01:59 +08:00

发一连串的移动事件
page.sendEvent('mousemove', x, y)

randix

2017-07-31 12:26:41 +08:00

@hicdn click 的时候也不能直接 click 吗？需要知道查询的坐标吗？太感谢了！

hicdn

2017-07-31 13:35:13 +08:00

@randix 不是，需要移动一下鼠标来通过他的机器判定。移动完了直接点就是

randix

2017-07-31 13:46:05 +08:00

@hicdn

function fill(hnc) {
console.log('in fill')
page.sendEvent('mousemove', 200, 399)
page.sendEvent('mousemove', 400, 299)
page.sendEvent('mousemove', 103, 499)
hnc = typeof(hnc) !== "undefined" ? hnc : '陈明'
page.evaluate(function (hnc) {
document.getElementsByName("request:hnc")[0]
document.getElementsByName("request:hnc")[0].value=hnc
document.getElementById("_searchButton").click()
}, hnc)
}
我按照你的脚本加了这一段它貌似还是知道我是机器人啊

hicdn

2017-07-31 14:38:45 +08:00

@randix 移动的点太少了，js 代码里记录了 1000 个点座标

randix

2017-07-31 18:14:03 +08:00

@hicdn
function fill(hnc) {
console.log('in fill')
for (var i = 0; i < 1001; i++) {
page.sendEvent('mousemove', Math.floor(Math.random() * 1000) + 200, Math.floor(Math.random() * 1000) + 200)
}

hnc = typeof(hnc) !== "undefined" ? hnc : '陈明'
page.evaluate(function (hnc) {
document.getElementsByName("request:hnc")[0].click()
document.getElementsByName("request:hnc")[0].value=hnc
document.getElementById("_searchButton").click()
}, hnc)
}

这样写了个 for 循环是不管用，这头都大了，兄弟能把你分享一下脚本吗，或者加个联系方式？弄了几天，我 JS 真的菜，谢谢了。

Marsss

2017-08-11 09:30:13 +08:00

@randix 搞定了吗？我也研究了几天，不知道是我的 chrome 和 chromedriver 的版本有问题，还是怎么回事，我用 selenium 驱动 chrome 都无法打开首页，不知道上面的 @zbl430 @hicdn 两位牛是怎么弄的。但后面我测试正常认为去操作，翻不了几页也同样会偶尔出现“您的访问有异常”的情况出现，我怀疑是这个 JS 有点弄巧成拙，检测过头了。

airplane

2017-09-20 21:01:39 +08:00

@zbl430 请问，你用 selenium+ Chrome 只添加了一些鼠标移动吗？，我添加了移动还是被 ban 了，而且还是封 ip，

hicdn

2017-09-20 22:49:04 +08:00

@airplane 我很久没爬了

airplane

2017-09-21 10:05:58 +08:00

@hicdn 昨晚调试很久，发现原来是服务器检测出是 webdriver,请问你是怎么弄掉 selenium 特征的呢

airplane

2017-09-23 16:42:49 +08:00

@hicdn

airplane

2017-09-25 19:52:48 +08:00

@zbl430 0.0

hicdn

2017-09-26 13:55:22 +08:00

@airplane 我用的 phantomjs，没用 selenium。修改特征见最上面 gist 3-7 行。

zbl430

2017-09-26 17:48:05 +08:00

@airplane 的确只加了鼠标的移动，我用的是 firefox50 还是 52 ,高版本会有问题

airplane

2017-11-22 11:49:14 +08:00

@zbl430 鼠标移动你是用 js 实现的还是直接用 selenium 实现的

zbl430

2017-11-22 14:33:30 +08:00

@airplane from pymouse import PyMouse

quatix

2018-02-18 23:35:03 +08:00

@hicdn
window _Selenium_IDE_Recorder,_selenium,callSelenium
document __driver_evaluate,__webdriver_evaluate,__selenium_evaluate,__fxdriver_evaluate,__driver_unwrapped,__webdriver_unwrapped,__selenium_unwrapped,__fxdriver_unwrapped,__webdriver_script_func,__webdriver_script_fn
document.documentElement.getAttribute ["selenium", "webdriver", "driver"]
window callPhantom,_phantom

请问楼主可否分享一下这几个检查点是怎么解决的？

quatix

2018-02-18 23:58:40 +08:00

@quatix 忘了说了，请教一下 chromedriver 中怎么处理

2018-12-24 13:03:40 +08:00

@zbl430
@hicdn
@Marsss
@quatix
@randix
各位大佬都怎么解决的，可否帮忙一下
vx：17625611146
谢！！！

Marsss

2018-12-24 13:47:18 +08:00

@kw 这帖子都过了多久了，已经不写爬虫了。我当时解决的思路就是直接用 chrome 提供的接口去驱动 chrome 抓取，使用 websocket 协议通信，使用 javascript 控制浏览器行为，具体可以看一下 chrome 的远程调试协议。这些工作原本是 selenium 替你做了，只是现在人家针对性的检测了 selenium|webdriver，造成直接用 selenium 的抓取不了。

另外，友情提示一下，爬虫有风险，劝君别盲目背锅。

2018-12-24 15:23:56 +08:00

@Marsss 谢谢那现在不能用 selenium 了？检测到了怎么办