运用phantomjs无头浏览器破解四种反爬虫技术

运用phantomjs无头浏览器破解四种反爬虫技术

本文作者： 伯乐在线 - 路易十四 。未经作者许可，禁止转载！

欢迎加入伯乐在线 专栏作者。

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。

 

phantomjs request.js http://www.xicidaili.com/

 

JavaScript

 

/***********************************
code:javascript
system:win  ||  linux
auther: luyi
mail : 543429245@qq.com
github: luyishisi
blog: https://www.urlteam.org
date：2016.9.12
逻辑说明：使用phantomjs无界面浏览器作为操作平台，破解对方针对js解析的反爬虫辨别
************************************/
var page = require('webpage').create(),
    system = require('system'),
    address;
address = system.args[1];
 
//init and settings
page.settings.resourceTimeout = 30000 ;
page.settings.XSSAuditingEnabled = true ;
//page.viewportSize = { width: 1000, height: 1000 };
page.settings.userAgent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2062.120 Safari/537.36';
page.customHeaders = {
    "Connection" : "keep-alive",
    "Cache-Control" : "max-age=0",
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
    "Accept-Language": "zh-CN,zh;q=0.8,en;q=0.6",
};
page.open(address, function() {
  console.log(address);
  console.log('begin');
});
//加载页面完毕运行
page.onLoadFinished = function(status) {
  console.log('Status: ' + status);
  console.log(page.content);
  phantom.exit();
};

如图：

 

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：

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

Python

common = 'c://phantomjs/phantomjs' + ' requests.js '+ temp_url
str_body =  str(os.popen(common).read())
print str_body

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。

 

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：

 JavaScript

 

page.evaluate(function() {  document.body.bgColor = 'white';});//背景色设定为白。方便二值化处理
page.clipRect = { top: 441, left: 364, width: 300, height: 210 };//指定截图区域。坐标使用第四象限

 

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%+

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。

 

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。