前言
最近行业市场不太景气啊，趁着有时间多学学吧，武装自己，等机会
刚好，发现一个很6的东西。这个问题是在差不多半个月前，群友 @十一 发现的，然后在群里跟大家讨论。
这个网站，请求的时候，requests正常：
原始的curl也可以：
aiohttp，直接报错
httpx，也直接报错：
不过httpx的报错要明显点，这就进入了有意思的环节
分析
看到这里，估计就有朋友开始冷笑了：搞爬虫大部分不都用requests的吗，谁会用httpx和aiohttp这些啊，感觉这个是不是没啥用啊。
别急，朋友，在文章的下面会说这个，当然如果你赶时间或者觉得没啥意思，那就没必要浪费时间继续看了
1.httpx
拿着上面的报错，去网上搜，找到如下issues:
https://github.com/encode/httpx/issues/1561
https://github.com/encode/httpx/issues/1363
看完里面各位大佬的一顿分析，说是hyper库的问题：
然后hyper库的开发者，如下链接回复：
Should we support looser header name validation? · Issue #113 · python-hyper/h11 · GitHub
大概意思是这个不是一个问题，而是http请求的严格性判断问题，请求头的协议，按国际标准，是不能出现 “[Cache-Control]” 这种带有特殊符号作为响应头的键名的，所以报错
而requests却可以，或许是因为requests的校验不严格，直接就放过了：
而，浏览器访问也是可以的：
那么我个人就有理由认为
这是一个bug，httpx和aiohttp都存在的bug
httpx的作者，对这个问题那段时间确实在尝试解决，github机器人都想关闭了，httpx作者还不想放弃：
且至今没解决，遇到的人还不少，至少，上个月都还有人在说这个问题
卧槽，这时间，上周都还有人在问啊：
其中也有说解决办法，看到有个老哥说改h11的源码，改成这样：
但是报错依然在
另外有个老哥说了这个方法：
h11.readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")我把这个代码直接放我代码里，报错了，根本没有这个属性
经过一顿查阅，他换了个属性名，是这个：
import h11from h11 import _readersimport re
h11._readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")
但是我试了，换成了新的报错：
也许是正则表达式写的不完美：
正则表达式通用匹配一下，然后就可以了：
import httpximport h11from h11 import _readersimport re
# h11._readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")
h11._readers.header_field_re = re.compile(b"(?P<field_name>.*?):[ \t](?P<field_value>.*?)")
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36'
}
url = 'https://scanstatus.sxxxxx'
# url = 'https://club.xxxxxx/thread-26829078-1-1.html'
resp = httpx.get(url=url, headers=headers)
print(resp.text)
但是，我换了一个网站，也就是那个issue里某华某为的社区地址，不出正常的结果：
所以，修改正则表达式并不是一个通用的方案。
插一句，在请求的时候，就不要开代理或者抓包软件了，不然他报错更奇怪：
综上所述，也就是，只要服务器的返回头埋的坑够多，这个方法根本无法完美解决
那么这个问题，httpx作者就给了个这个解释就没下文了
https://github.com/encode/httpx/issues/767#issuecomment-1367498458
就这么不了了之了。。。
因为根据http协议的响应头原理，确实不会出现这种不标准的字段
更官方的解释可以去查查http协议原理，或者看看以下资料：
https://zh.wikipedia.org/zh/HTTP%E5%A4%B4%E5%AD%97%E6%AE%B5https://developer.mozilla.org/zh-CN/docs/Web/API/Headerhttps://developer.mozilla.org/zh-CN/docs/Glossary/Response_header
我的理解如下：
客户端需要先解析响应头，通过响应头的一些规范来解析返回的响应体的，既然你响应头都报错了，那后续的响应体解析自然也不会往下走了，直接报错退出。
2.aiohttp
对于aiohttp来说，像上面那么加正则表达式是无效的：
改完发现并没有用
这有说，改成1，也试了，不行
更多的就不演示了
反正就是一顿查找，发现aiohttp上并没有合理方案解决
针对的解决方案
1.用requests
上面有了，这里就不展示了
但是requests我们知道，它是不支持http2.0协议的
2.用正则表达式替换
上面也有了，这里不贴了但是不能完美覆盖后续的响应头特殊参数
3.用urllib3处理
这个库用的倒不多，可以直接请求：
但是他也是个可以直接拿来请求的库，相比requets，那很多功能还是没有。其实requests本质就是借助了urllib3库的
所以，这个库，不出意外应该也是不支持http2.0的
用非常规的请求库尝试
既然目前的方法，除了requests/urllib3，其他都不行，那我在这个基础之上，强制http2，是不是就可以干掉requets库了，python的常规请求库直接无可用的，直接干死这些爬虫？
想的挺美的
1.用tls-client试试
虽然他是用来对抗tls的，试试呢：
可行。为啥，因为他原理就是完全模拟浏览器，大概看了它的源码，用curl_impersonate库，打包成了一个dll（具体怎么打包的不可知，这部分没开源，插一句，据群友反馈，也是因为这个dll，会导致内存泄漏），然后可以直接用，上面说过了，浏览器可以访问，那这个库肯定也可以访问了
那么测试那个某为的网址：
不行，被识别了，牛吧，还是得是某为啊
2.用curl_cffi试试
测试那个某为的网址：
这么对比，看来curl_cffi才是获胜者啊，只能说，牛逼啊！！！
实现一个anti aiohttp、httpx的服务
简单的用fastapi 实现一个简单的服务，设置了下响应头：
1.用httpx请求
httpx代码不变，只是把url换了，果然报错
2.用aiohttp请求
再来看aiohttp，果然报错，哈哈哈哈
2.用http.client请求
3.用urllib3、requests测试
还得是这哥俩啊，直接能跑
4.用node的request请求看看
刺激，也给防住了。
5.用golang 看看
刺激啊，也没有正常返回
6.用postman看看
postman也直接无返回
7.用安卓看看
package com.geek.spiderclient;
import androidx.appcompat.app.AppCompatActivity;
import android.os.Bundle;
import android.util.Log;
import android.widget.TextView;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.UnsupportedEncodingException;
import java.net.HttpURLConnection;
import java.net.URL;
public class MainActivity extends AppCompatActivity {
private TextView textView;
@Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_main);
textView = findViewById(R.id.hello);
new Thread(new Runnable() {
String result = "";
@Override
public void run() {
try {
String url_string = "http://192.168.30.251:8000/";// 由于高版本有https的限制，需要修改targetSdk为27及一下。
URL url = new URL(url_string);
//得到connection对象。
HttpURLConnection connection = (HttpURLConnection) url.openConnection();
//设置请求方式
connection.setRequestMethod("GET");
//连接
connection.connect();
//得到响应码
int responseCode = connection.getResponseCode();
Log.d("headers", "" + connection.getHeaderFields());
if (responseCode == HttpURLConnection.HTTP_OK) {
//得到响应流
InputStream inputStream = connection.getInputStream();
//将响应流转换成字符串
result = is2String(inputStream);//将流转换为字符串。
Log.d("result", "result=============" + result);
}
} catch (Exception e) {
e.printStackTrace();
}
runOnUiThread(new Runnable() {
@Override
public void run() {
Log.e("result", "runOnUiThread");
textView.setText(result);
}
});
}
}).start();
}
public String is2String(InputStream is) {
//连接后，创建一个输入流来读取response
BufferedReader bufferedReader = null;
try {
bufferedReader = new BufferedReader(new InputStreamReader(is, "utf-8"));
String line = "";
StringBuilder stringBuilder = new StringBuilder();
String response = "";
//每次读取一行，若非空则添加至 stringBuilder
while ((line = bufferedReader.readLine()) != null) {
stringBuilder.append(line);
}
//读取所有的数据后，赋值给 response
response = stringBuilder.toString().trim();
return response;
} catch (IOException e) {
e.printStackTrace();
}
return null;
}
}
打包好之后：
安卓是可以的
再来看看服务端这边，其实是有正常请求的，但是客户端那边无法正常解而已。
那么有朋友估计有想法，那既然报错，我捕获异常强制打印结果不行吗？
这里还是用回到python httpx库试试
不行的哈哈，原因前面说过了
配置将服务强制http2.0协议
1.配置服务端
说干就干，准备尝试把代码移植刀服务器上，直接启动这边的服务，然后nginx搭建好，配置好http2，我买的服务器它默认没给开80和443等常规的库，问了客服说要申请备案了才行，卧槽，很迷，无所谓，我把这个服务搭建到6363端口上：
nginx如下配置：
server {
# listen 6363;
listen [::]:6363 ssl http2; # managed by Certbot
listen 6363 ssl http2; # managed by Certbot
ssl_certificate /root/cert.pem; # managed by Certbot
ssl_certificate_key /root/key.pem; # managed by Certbot
if ($server_protocol !~* "HTTP/2.0") {
return 444;
}
root /data/www/fast-tortoise;
server_name 0.0.0.0;
location / {
proxy_set_header x-Real-IP $remote_addr;
proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
proxy_set_header Host $http_host;
proxy_pass http://127.0.0.1:8000/; # gunicorn绑定的fastapi的端口号
}
# 配置static的静态文件：
location ~ ^\/static\/.*$ {
root /data/www/fast-tortoise/static;
}
}
证书文件用以下命令生成即可：前提得安装openssl库
openssl req -x509 -newkey rsa:4096 -keyout key.pem -out cert.pem -days 365 -nodes
2.请求测试
配置好了之后，首先requests肯定是不行了，因为不支持http2.0。这里就不演示了。
用httpx测试下，唉？直接就给放行了
卧槽？反爬虫路途创业未半中道崩卒....
.....
看来http2.0把这个问题修复了呀......
......
那就只能在http1.0，http1.1下防住一部分的爬虫了
那有朋友估计要问了，你这个操作，好像只是有点奇怪，但实际并没有文章标题说的那么邪乎啊，说直接点，基本没啥用啊
解惑
如果坚持看到这里的朋友，还没有忘记前面说的有关requests问的话。ok，这里开始说说。
其实我一开始发现这个所谓的bug的时候，感觉也不是太有用，requests都能跑，没把requests防住，那肯定没啥意思啊。
那么这个所谓的bug，真的没用吗？
只是这一个的话肯定防不住的，可以用来跟其他反爬手段组合啊，比如tls指纹，或者其他的风控检测手段等等的。
其实，我在发这篇文章之前，也开发了两个爬虫练习题
第一题就是这个bug
第二题是另外一个检测手段，可以检测到requests和httpx，tls-client，curl_cffi，aiohttp，还有常规的请求软件，而且没有用到tls指纹。
本来说是先让群友拿来玩，然后过几天发文章公开检测手段以及如何bypass的。
我没想到，我还没发多久，就有 intellectual disability 搞我服务器.....
顿时就觉得没意思了，服务关了，第二题的检测手段和bypass的方法我也不打算公开了。由于这篇文章之前就答应过群友 @十一，且早就写好了，那就继续发吧。
想知道第一种检测手段，还有哪些特殊字符不能被正常解析吗？
有想知道第二种检测手段的朋友？
可以时不时的关注我的动向，也许我会在某一天用新的形式发出来
结语
爬虫的核心，还是指纹等静态特征完全的模拟浏览器环境，行为等动态特征完全的模拟人为操作
搜ID：geekbyte
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
