爬虫案例-亚马逊反爬分析-验证码突破（x-amz-captcha）

总体概览：核心主要是需要突破该网站的验证码，成功后会返回我们需要的参数后再去请求一个中间页（类似在后台注册一个session），最后需要注意一下 IP 是不能随意切换的

主要难点：

1、梳理整体反爬流程

2、验证码识别

3、IP识别

难度：三颗星（适合小白、初级跟中级学习）

目标网址：aHR0cHM6Ly93d3cuYW1hem9uLmNvbS9kcC9CMENTMjhaTFdT

备注：目前是有两套方案的（1、直接正面突破验证码 2、通过修改指纹来绕过验证码），本文先讲如何直接正面突破验证码，方案2后面有机会再讲

废话不多说，先上流程图

======= 正文开始 =======

首先打开浏览器自带的无痕模式，输入网址发现直接就弹出验证码了

打开抓包软件，尝试随机输入一个数字，我这里输入的是1，发现是明文，这就简单多了

搜索一下 amzn 与 amzn-r 发现这 amzn 很明显的是验证码的标识，field-keywords是我们输入验证码的结果

这次我们再输入正确的验证码：

发现对接口https://www.amazon.com/errors/validateCaptcha 进行请求，得到了

x-amz-captcha-1 与 x-amz-captcha-2 两个参数，同时会自动条状到我们最开始输入的那个产品详情页中。

在这个时候发现此时已经生成了大部分的参数了，但经过测试发现缺少 session-token 时，这几个ID很快就会被封掉不能继续使用。

接下来继续观察发现 session-token 在这个位置生成了出来，不难看出这个接口是疑似用来注册session-token 的，这里就是在开头说的请求一个中间页来注册一个session

携带这些参数再次请求的时候发现response已经没有cookie返回了，这个时候说明cookie的状态是比较好的，该网站有一个类似Cookie纠错的功能，当cookie没有特别满足他的要求的时候就会返回一些新的参数过来，此时我们只需要更新一下请求就可以了

最后需要注意一点就是 IP 是不能随意更换的，在生成x-amz-captcha-1 与 x-amz-captcha-2 这两个参数时的 IP 是绑定的，当IP更换了去请求就会失败，对比一下

同时，当再次使用那个IP时就会出现请求被拒绝，也就是被识别到为爬虫程序，被封禁

验证码识别部分：

最后还有一个 OE 文件 ，很明显的鼠标轨迹识别，非常有可能在后续会被用于反爬的识别

整体的思路到这基本上就结束了，后续可能会再写一遍如何实现同时实现高并发的稳定爬取该网站

有兴趣，需要源码的可以私聊我