破解selenium封禁--去哪儿酒店爬虫

最新推荐文章于 2024-05-31 20:25:44 发布

qq_42771415

最新推荐文章于 2024-05-31 20:25:44 发布

阅读量2k

点赞数 5

本文链接：https://blog.csdn.net/qq_42771415/article/details/90720884

版权

使用selenium遇到封禁

selenium是我用来破解一些js渲染比较多的页面的神器。但是最近，在抓取一些网站时，遇到了让人头皮发麻的事情，selenium出问题了，在测试去哪儿酒店时，遇到了加载不出数据的问题（如下图）
去哪儿会一直很努力的刷新数据，其实不然，它想必是已经发现了爬虫的真实身份，即使是使用Selenium调用ChromeDriver来打开网页，其还是与正常打开网页有区别的，有被识别的可能性。selenium在运行的时候会暴露出一些预定义的Javascript变量（特征字符串），例如"window.navigator.webdriver"，在非selenium环境下其值为undefined，而在selenium环境下，其值为true（这段是在百度上借鉴的，我觉得自己的语言组织不好）。
在用selenium时还会产生一些标识符webdriver， __driver_evaluate， __webdriver_evaluate， __selenium_evaluate， __fxdriver_evaluate， __driver_unwrapped， __webdriver_unwrapped， __selenium_unwrapped __fxdriver_unwrapped ，_Selenium_IDE_Recorder _selenium还有很多就不一一列举了。反爬就是通过这些标识符识别出爬虫，然后通过js给webdriver请求响应错误信息，那么让这个js go die，就是破解的方法。

破解selenium封禁

通过baidu,google各种搜索，我找到了一种非常优秀的方法，那就是通过 mitmproxy 屏蔽掉识别 webdriver 标识符的 js 文件。
我遇到的坑给大家也写上，尽量让大家少走弯路。首先要下载mitmproxy,可以用pip install mitmproy,如果报错的话，‘https://mitmproxy.org/’ 这个网站也可以下载。然后给本机设置代理ip 127.0.0.1端口8001（为了让所有流量走mitmproxy）。之后启动mitmproxy。

mitmdump -p 8001 # windows启动
mitmproxy -p 8001 # linux启动

这个时候我遇到了问题，在输入网址后，出现了这个界面。*

这应该是证书的问题，在下载mitmproxy时，会产生一个.mitmproxy包

打开这个p12，一直下一步。直到如下图时，选择第二个（即受信任的根证书颁发机构），然后就完成了。

这个时候装备已经齐全了，是时候去打boss了。
我打开去哪儿酒店的页面，‘https://hotel.qunar.com/city/shanghai_city/#fromDate=2019-06-03&cityurl=shanghai_city&toDate=2019-06-04&from=qunarHotel’，使用chrome的开发者工具，找到目标网站是通过哪个js文件控制webdriver相应的（全局搜索特征标识符吧），我找到了如下js文件

在这一大串js中我还发现了，一串貌似是封禁指定词的js

冲锋的号角已经吹响，这个时候就是我们反击的时候，我开始写干扰脚本了（DriverPass.py）。代码如下

import re
from mitmproxy import ctx

def response(flow):
    if '/js/index.' in flow.request.url:

        for webdriver_key in ['webdriver', '__driver_evaluate', '__webdriver_evaluate',"__webdriver_script_function","__webdriver_script_func", '__selenium_evaluate', '__fxdriver_evaluate', '__driver_unwrapped', '__webdriver_unwrapped', '__selenium_unwrapped', '__fxdriver_unwrapped', '_Selenium_IDE_Recorder',"__nightmare", '_selenium', 'calledSelenium',"callSelenium", '_WEBDRIVER_ELEM_CACHE', 'ChromeDriverw', 'driver-evaluate', 'webdriver-evaluate', 'selenium-evaluate', 'webdriverCommand', 'webdriver-evaluate-response', '__webdriverFunc', '__webdriver_script_fn', '__$webdriverAsyncExecutor', '__lastWatirAlert', '__lastWatirConfirm', '__lastWatirPrompt', '$chrome_asyncScriptInfo', '$cdc_asdjflasutopfhvcZLmcfl_' ]:
            ctx.log.info('Remove "{}" from {}.'.format(
            webdriver_key, flow.request.url
            ))
        flow.response.text = flow.response.text.replace('"{}"'.format(webdriver_key), '"NO-SUCH-ATTR"')
        flow.response.text = flow.response.text.replace('t.webdriver', 'false')
        # flow.response.text = flow.response.text.replace('driver', '')
        flow.response.text = flow.response.text.replace('selenium', 'false')