【转】记搜狗微信号搜索反爬虫
反爬虫
2016-03-16 17:57
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.coroutinedef 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。
原文:https://blog.gaoqixhb.com/p/56e92e1e7b71cea107c700ba