Skip to main content

One post tagged with "爬虫"

View All Tags

· One min read

反爬虫

RSS Factory前段时间又出问题了,访问微信公众号RSS一直500,完全没法用了。 经调试,发现由于爬取数据太频繁,触发了搜狗微信公众号的反爬虫,探索了下反爬虫的规则:

没有带Cookie的情况下,频繁访问触发反爬虫

  • 带Cookie的情况下,频繁访问偶尔触发反爬出,偶现500错误
  • 不带Cookie情况下,隔几个小时范围一下不会触发反爬虫
  • Cookie有几个关键字段用于识别爬虫,SUID,SNUID,SUV。 不带Cookie请求任意搜狗微信公众号页面,应答set-cookie会带SUID,SNUID字段,SUV由JavaScript生成。

应对反爬虫

基于以上探索的反爬虫措施,制定应对反爬虫的策略。

  • 维护一个Cookie池
  • 爬取数据时随机取Cookie
  • 定时更新Cookies池

实现

@tornado.gen.coroutine
def get_cookies():
cookies = []
client = tornado.httpclient.AsyncHTTPClient()
for i in xrange(10):

url = 'http://weixin.sogou.com/weixin?query=%s' % random.choice('abcdefghijklmnopqrstuvwxyz')

# 获取 SNUID
cookie_request = tornado.httpclient.HTTPRequest(url=url, method='HEAD')
cookie = yield client.fetch(cookie_request)
SUID = re.findall(r'(SUID=\S+?);', cookie.headers['set-cookie'])[0]
m = re.findall(r'(SNUID=\S+?);', cookie.headers['set-cookie'])
if m:
SNUID = m[0]
headers = {'Cookie:': '; '.join([SUID, getSUV(), SNUID])}
cookies.append(headers)

mc = memcache.Client(['%s:15211' % IP])

if cookies:
mc.set('cookie', cookies)

用到了tornado的协程,使用异步httpClient,发送请求时使用HEAD方法,只请求头部,通过解析set-cookie生成自己的Cookie头,连续不带Cookies访问1-次,生成Cookie池,并且保存在memcached中。

在调用tornado.ioloop.IOLoop.instance().start()之前,调用get_cookies(),任务就能正常运行了,但是我们需要定时更新Cookie池,所以还要添加定时任务。

tornado有两种方式可以定时运行可调用对象:

# 延时运行,接受 delta 延时时间间隔为 datetime.delta 对象,func 为可调用对象,但是只能调用一次,所以如果用 add_timeout 还需要在 func 中显式的再 add_timeout 才能实现定时调用
tornado.ioloop.IOLoop.instance().add_timeout(delta, func)

# 定时回调,以毫秒为单位,每 6 个小时调用一次
tornado.ioloop.PeriodicCallback(get_cookies, 6*60*60*1000).start()

效果

实现了定时任务后每6个小时会更新一次Cookie池,产生10个新的Cookie,爬取数据时使用随机Cookie明显降低了产生500的概率,效果良好。

欢迎使用RSS Factory。