不逆向解决5s盾之cloudscraper

一、背景

经常写爬虫的同学，肯定知道 Cloud Flare 的五秒盾。当你没有使用正常的浏览器访问网站的时候，它会返回如下这段文字：
Checking your browser before accessing xxx.

This process is automatic. Your browser will redirect to your
requested content shortly.

Please allow up to 5 seconds… 即使你把 Headers 带完整，使用代理 IP，也会被它发现。

二、示例

直接查看原始的网页源代码，可以看到，需要的数据就在源代码里面，说明这些数据都是后端渲染的，不是异步加载。

我们使用 requests，带上完整的请求头来访问这个网站，效果如下图所示：

起初还以为是网站响应时间太长，但是加了等待时间依然不会得到正确的数据。很明显网站识别到了爬虫行为，成功把爬虫请求挡住了。很多情况下这是时候就已经束手无策了，因为这是爬虫的第一次请求就被挡住了，所以网站不是检测的 IP 或者访问频率，所以即使用代理 IP 也无济于事。而现在即使带上了完整的请求头都能被发现，那还有什么办法绕过这个检测呢？

实际上，要绕过这个5秒盾非常简单，只需要使用一个第三方库，叫做cloudscraper。我们可以使用pip来安装：

pip install cloudscraper
#更新最新版本 pip install cloudscraper -U

安装完成以后，只需要使用3行代码就能绕过 Cloud Flare 的5秒盾：

import cloudscraper
#创建实例 scraper = cloudscraper.create_scraper()
resp = scraper.get(‘目标网站’).text

以上面的网站为例：

输出结果：

可以看到明文数据已经可以正常返回了。

#三、在scrapy中间件使用
在 middlewares.py 文件中配置：

class CloudScraperMiddleware:
    def process_response(self, request, response, spider):
        if response.status == 403:
            url = request.url
            req = spider.scraper.get(url, headers={'referer': url})
            return HtmlResponse(url=url, body=req.text, encoding="utf-8", request=request)
        return response

spider.py 中使用：

import cloudscraper

# 启用中间件
custom_settings = {
        "DOWNLOADER_MIDDLEWARES": {
            'testspider.middlewares.CloudScraperMiddleware': 520,
        }
    }

def __init__(self, **kwargs):
    # 创建实例
    self.scraper = cloudscraper.create_scraper()

#四、总结

还有一个库（cfscrape）和cloudscraper用法一模一样，但是经过测试抓取上面这个网站，该库失败。

CloudScraper 非常强大，它可以突破 Cloud Flare 免费版各个版本的五秒盾。而且它的接口和 requests
保持一致。原来用 requests 怎么写代码，现在只需要把requests.xxx改成scraper.xxx就可以了。

另外由于是使用免费接口，会存在少部分网站使用达不到理想效果。而且有时候会报警告：

这种情况只需要重试即可。