爬虫伪装方法分类

原文:http://pisces-java.iteye.com/blog/1471651

最近因为业务需要,要将豆瓣上的图书以及影视信息抓取下来,网页抓取其实很简单,很快就完成,但是系统还没上线就发现了问题,豆瓣会根据请求分析客户的行为,判断是否是机器人,如果判断为机器人,将要求输入验证码,最终导致抓取不到数据。

要解决这个问题,主要就两个思路,一个是识别验证码,当要求输入验证码时,识别图片中的验证码;另外一方案是伪装成正常访问,绕过豆瓣的分析程序。前一种方案受限于验证码识别率太低,很难满足需求,最终只能考虑第二种方案了。

通过分析豆瓣的分析判断机器人的实际情况,发现豆瓣是根据ip以及cookie信息统计访问频率来确定是否为“机器人”,有以下几种实际情况,1.不带cookie信息访问,快速访问一段时间,ip会被禁掉;2.带cookie访问,快速访问一段时间,请求会被禁掉,这时候清掉cookie,可以恢复正常访问。基于这个测试结果,可以采用一个简单的方案:

       1.第一次请求没有cookie信息,但记录下返回的cookie.

       2.后面每个请求都带上这个cookie信息.

       3.如果请求被跳转到验证码页面,就不带cookie重试,并记录返回的cookie信息

       4.下一次请求带上新的cookie信息。

重复2到4步骤。

  代码:

       1.简单的cookie manager:

[java]  view plain copy
  1. import java.io.Serializable;  
  2. import java.util.Map;  
  3. import java.util.concurrent.ConcurrentHashMap;  
  4. /** 
  5.  * 简单的Cookie Manager,按照顶级域名管理Cookie信息 
  6.  * @author 惊羽 
  7.  * 
  8.  */  
  9. class CookieManager implements Serializable{  
  10.     private static final long serialVersionUID = 292218695837624307L;  
  11.     private static CookieManager cookieManager = new CookieManager();  
  12.     private Map> cookies = new ConcurrentHashMap>();  
  13.       
  14.     private CookieManager(){}  
  15.     /** 
  16.      * 根据域名获取对应的Cookie 
  17.      * @param domain 
  18.      * @return 
  19.      */  
  20.     public String getCookies(String domain){  
  21.         Map domainCookies = cookies.get(getTopLevelDomain(domain));  
  22.         if(domainCookies != null){  
  23.             StringBuilder sb = new StringBuilder();  
  24.             boolean isFirst = true;  
  25.             for(Map.Entry cookieEntry : domainCookies.entrySet()){  
  26.                 if(!isFirst){  
  27.                     sb.append("; ");  
  28.                 }else{  
  29.                     isFirst = false;  
  30.                 }  
  31.                 sb.append(cookieEntry.getKey())  
  32.                   .append("=")  
  33.                   .append(cookieEntry.getValue());  
  34.             }  
  35.             return sb.toString();  
  36.         }  
  37.         return "";  
  38.     }  
  39.       
  40.     /** 
  41.      * 
  42.      * 设置Cookie值 
  43.      * @param domain 
  44.      * @param cookiesString 
  45.      */  
  46.     public void setCookies(String domain,String cookiesString){  
  47.         Map domainCookies = cookies.get(getTopLevelDomain(domain));  
  48.         if(domainCookies == null){  
  49.             domainCookies = new ConcurrentHashMap();  
  50.             cookies.put(getTopLevelDomain(domain), domainCookies);  
  51.         }  
  52.         String[] cookies = cookiesString.split("; ");  
  53.         for (String cookie : cookies) {  
  54.             if(cookie != null && !cookie.trim().isEmpty()  
  55.                     && cookie.indexOf("=") > 0){  
  56.                 int equalMarkIndex = cookie.indexOf("=");  
  57.                 String key = cookie.substring(0,equalMarkIndex);  
  58.                 String value = cookie.substring(equalMarkIndex+1);  
  59.                 domainCookies.put(key, value);  
  60.             }  
  61.         }  
  62.     }  
  63.     /** 
  64.      * 删除域名下所有的Cookie 
  65.      * @param domain 
  66.      */  
  67.     public void removeCookies(String domain){  
  68.         cookies.remove(getTopLevelDomain(domain));  
  69.     }  
  70.       
  71.     /** 
  72.      * 获取CookieManager的实例 
  73.      * @return 
  74.      */  
  75.     public static CookieManager getInstance(){  
  76.         return cookieManager;  
  77.     }  
  78.       
  79.     /** 
  80.      * 获取域名的顶级域名 
  81.      * @param domain 
  82.      * @return 
  83.      */  
  84.     public String getTopLevelDomain(String domain){  
  85.         if(domain == null){  
  86.             return null;  
  87.         }  
  88.         if(!domainToTopLevelDomainMap.containsKey(domain)){  
  89.             String[] splits = domain.split("\\.");  
  90.             domainToTopLevelDomainMap.put(domain, (splits[splits.length-2] + "." + splits[splits.length -1]));  
  91.         }  
  92.         return domainToTopLevelDomainMap.get(domain);  
  93.     }  
  94.     /** 
  95.      * 存储域名与其顶级域名之间映射关系,避免重复的计算顶级域名 
  96.      */  
  97.     private Map domainToTopLevelDomainMap = new ConcurrentHashMap();  
  98. }  

     2. 包装HttpURLConnection,实现请求失败自动清除cookie并重试的功能。

[java]  view plain copy
  1. public class HttpURLConnectionWrapper extends HttpURLConnection {  
  2.       
  3.     HttpURLConnection httpURLConnection;  
  4.     //简单的CookieManager  
  5.     CookieManager cookieManager = CookieManager.getInstance();  
  6.       
  7.     public HttpURLConnectionWrapper(URL u) throws IOException {  
  8.         super(u);  
  9.         httpURLConnection = (HttpURLConnection) u.openConnection();  
  10.         setFollowRedirects(false);  
  11.         fillRequestHeadField();  
  12.     }  
  13.     /** 
  14.      * 填充Request Header信息 
  15.      */  
  16.     private void fillRequestHeadField(){  
  17.         httpURLConnection.setRequestProperty("User-Agent""Mozilla/5.0 (Windows NT 5.1; rv:5.0) Gecko/20100101 Firefox/5.0");  
  18.         httpURLConnection.setRequestProperty("Accept""text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8");  
  19.         httpURLConnection.setRequestProperty("Accept-Language""zh-cn,zh;q=0.5");  
  20.         httpURLConnection.setRequestProperty("Accept-Encoding""GB2312,utf-8;q=0.7,*;q=0.7");  
  21.         httpURLConnection.setRequestProperty("Referer""http://movie.douban.com/");  
  22.         httpURLConnection.setRequestProperty("Cache-Control""max-age=0");  
  23.         httpURLConnection.setRequestProperty("Cookie", cookieManager.getCookies(url.getHost()));  
  24.           
  25.     }  
  26.   
  27.     @Override  
  28.     public InputStream getInputStream() throws IOException {  
  29.         InputStream is = httpURLConnection.getInputStream();  
  30.         //取到输入流中后处理Cookie信息  
  31.         resolveCookies();  
  32.         int responseCode = getResponseCode();  
  33.         if(responseCode != 200 && responseCode != 404 ){  
  34.             //清除cookie并重新发请求  
  35.             CookieManager.getInstance().removeCookies(url.getHost());  
  36.             try{  
  37.                 httpURLConnection.disconnect();  
  38.                 is.close();  
  39.             }catch (Exception e) {  
  40.             }  
  41.             httpURLConnection = (HttpURLConnection) this.getURL().openConnection();  
  42.             setFollowRedirects(false);  
  43.             fillRequestHeadField();  
  44.             is = httpURLConnection.getInputStream();  
  45.         }  
  46.         return is;  
  47.     }  
  48.     private void resolveCookies(){  
  49.         List setCookies = getHeaderFields().get("Set-Cookie");  
  50.         if(setCookies != null && !setCookies.isEmpty()){  
  51.             for (String setCookie : setCookies) {  
  52.                 cookieManager.setCookies(this.url.getHost(), setCookie);  
  53.             }     
  54.         }  
  55.     }  
  56. .........  
  57. }  

......................................................

补充

如果用chrome浏览器可以按F12进入控制台

选择Network 选择左边name就可以看到一些request的头信息了

把这些头信息在代码里加入即可

你可能感兴趣的:(JAVA)