网络机器人的识别与攻防的经典案例（也即爬虫与反爬虫的经典案例）

本文我们介绍一个网络机器人的识别与攻防的经典案例（也即爬虫与反爬虫的经典案例）。使用到的代码见本人的superword项目：

https://github.com/ysc/superword/blob/master/src/main/java/org/apdplat/superword/tools/ProxyIp.java 

我们的目的是要使用机器人自动获取站点http://ip.qiaodm.com/ 和站点http://proxy.goubanjia.com/ 的免费高速HTTP代理IP和端口号。

不过他们未对机器人进行识别，如通过如下代码就可以获取网页内容：

public static void main(String[] args) {
    try {
        String url = "http://proxy.goubanjia.com/";
        HttpURLConnection connection = (HttpURLConnection)new URL(url).openConnection();
        connection.setConnectTimeout(10000);
        connection.setReadTimeout(10000);
        connection.setUseCaches(false);
        BufferedReader reader = new BufferedReader(new InputStreamReader(connection.getInputStream()));
        StringBuilder html = new StringBuilder();
        String line = null;
        while ((line=reader.readLine()) != null){
            html.append(line);
        }
        LOGGER.info("HTML："+html);
    }catch (Exception e){
        LOGGER.error(e.getMessage());
    }
}

尽管如此，但是他们却考虑到了机器人的防范，通过分析发现，两个站点的防范措施是一致的，所以破一得二。

他们是如何防范的呢？我们看看IP：163.125.217.56和端口：9797，我们利用FIREFOX的FIREBUG插件进行分析，如下图所示：

这里，如果我们直接调用选中的td节点的Jsoup的Element的text()方法，那么得到的值就会是  16363.1.125  25.21717.5.5，而不是我们在页面上看到的IP：163.125.217.56，还有<script>下面的那个6我们在源代码中是看不到的，这是<script>里面的JS执行之后动态生成的结果，对于端口9797也一样，在源代码中所有的端口全部是8080，我们这里之所以在上图中看到了6和9797，这是因为FIREBUG插件看到的是网页加载完毕且所有JS执行完毕之后的视图。

通过上面的分析，我们知道，防范的方法是将IP拆开在中间加入一些隐藏字符，并利用JS动态生成部分字符，而端口全部都是利用JS生成的。

那么我们如何来应对这种防范方法呢？首先的第一个要求是我们的机器人要能动态执行JS，其次是我们需要对IP字段进行逐节点分析，忽略隐藏节点中的字符。下面用代码说明：

1、动态执行JS。

引入htmlunit依赖，注意的是如果你是使用slf4j日志的话，需要排除commons-logging依赖。
<dependency>
    <groupId>net.sourceforge.htmlunit</groupId>
    <artifactId>htmlunit</artifactId>
    <version>2.14</version>
    <exclusions>
        <exclusion>
            <groupId>commons-logging</groupId>
            <artifactId>commons-logging</artifactId>
        </exclusion>
    </exclusions>
</dependency>

接下来看代码，这里获取到的html就是执行JS之后的内容：

private static final WebClient WEB_CLIENT = new WebClient(BrowserVersion.INTERNET_EXPLORER_11);
String html = ((HtmlPage)WEB_CLIENT.getPage(url)).getBody().asXml();

2、对IP字段进行逐节点分析，忽略隐藏节点中的字符。

引入jsoup依赖。
<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.8.1</version>
</dependency>

接下来看代码：

private static String getIps(Element element){
    StringBuilder ip = new StringBuilder();
    Elements all = element.children();
    LOGGER.info("");
    LOGGER.info("开始解析IP地址，机器读到的文本："+element.text());
    AtomicInteger count = new AtomicInteger();
    all.forEach(ele -> {
        String html = ele.outerHtml();
        LOGGER.info(count.incrementAndGet() + "、" + "原始HTML："+html.replaceAll("[\n\r]", ""));
        String text = ele.text();
        if(ele.hasAttr("style")
                && (ele.attr("style").equals("display: none;")
                    || ele.attr("style").equals("display:none;"))) {
            LOGGER.info("忽略不显示的文本："+text);
        }else{
            if(StringUtils.isNotBlank(text)){
                LOGGER.info("需要的文本："+text);
                ip.append(text);
            }else{
                LOGGER.info("忽略空文本");
            }
        }
    });
    LOGGER.info("----------------------------------------------------------------");
    LOGGER.info("解析到的ip: "+ip);
    LOGGER.info("----------------------------------------------------------------");
    Matcher matcher = IP_PATTERN.matcher(ip.toString());
    if(matcher.find()){
        String _ip = matcher.group();
        LOGGER.info("ip地址验证通过："+_ip);
        return _ip;
    }else{
        LOGGER.info("ip地址验证失败："+ip);
    }
    return null;
}

接着看运行过程的输出：

开始解析IP地址，机器读到的文本：61 61 . 18 18 5. 1 1 49 .1 .1 63
1、原始HTML：<div style="display:inline-block;">  <script type="text/javascript">//<![CDATA[document.write('');//]]>                </script> </div>
忽略空文本
2、原始HTML：<label style="display: none;"> 61 </label>
忽略不显示的文本：61
3、原始HTML：<span> 61 </span>
需要的文本：61
4、原始HTML：<div style="display:inline-block;">  . </div>
需要的文本：.
5、原始HTML：<div style="display:inline-block;">  <script type="text/javascript">//<![CDATA[document.write('');//]]>                </script> </div>
忽略空文本
6、原始HTML：<span style="display:inline-block;"> <script type="text/javascript">//<![CDATA[document.write('');//]]>                </script> </span>
忽略空文本
7、原始HTML：<p style="display: none;"> 18 </p>
忽略不显示的文本：18
8、原始HTML：<span> 18 </span>
需要的文本：18
9、原始HTML：<div style="display:inline-block;">  <script type="text/javascript">//<![CDATA[document.write('5.');//]]>                </script> 5. </div>
需要的文本：5.
10、原始HTML：<p style="display: none;"> 1 </p>
忽略不显示的文本：1
11、原始HTML：<span> 1 </span>
需要的文本：1
12、原始HTML：<div style="display:inline-block;">  49 </div>
需要的文本：49
13、原始HTML：<label style="display:none;"> .1 </label>
忽略不显示的文本：.1
14、原始HTML：<span> .1 </span>
需要的文本：.1
15、原始HTML：<div style="display:inline-block;">  <script type="text/javascript">//<![CDATA[document.write('');//]]>                </script> </div>
忽略空文本
16、原始HTML：<span style="display:inline-block;"> 63 </span>
需要的文本：63
----------------------------------------------------------------
解析到的ip: 61.185.149.163
----------------------------------------------------------------

下面是通过上面的分析程序获取到的部分能隐藏自己IP的代理服务器IP和端口号：

124.88.67.33:81
183.207.224.13:80
111.161.126.101:80
183.207.228.51:80
123.138.184.228:80
120.131.128.212:85
111.12.251.199:80
111.1.36.6:80
111.206.86.76:80
120.198.243.111:80
222.138.229.17:8104
123.125.104.240:80
124.88.67.25:81
202.102.22.182:80
183.207.228.114:80
162.208.49.45:8089
183.207.228.116:80
120.192.249.74:80
124.202.177.26:8118
124.88.67.32:80
111.161.126.100:80
183.207.224.14:80
183.207.224.43:80
111.206.81.248:80
183.207.224.45:80
182.118.31.110:80
124.88.67.53:80
111.13.109.52:80
190.38.26.167:8080
118.26.183.43:80
101.226.249.237:80
202.108.50.75:82
202.106.16.36:3128
111.1.36.133:80
124.88.67.24:80

有了这些IP和端口号，我们在JAVA中如何使用呢？只需要设置系统属性即可。

System.setProperty("proxySet", "true");
System.setProperty("http.proxyHost", ip);
System.setProperty("http.proxyPort", port);

设置完系统属性之后，我们如何判断有没有生效呢？我们可以通过看看在ip138的眼中，自己的IP是多少，然后和自己之前的IP作比较，看是否发生变化，如果发生变化，则认为我们的代理成功为我们向外部隐藏了自己的真实IP。

如何从ip138获取自己的外部地址呢？看如下代码：

public static String getCurrentIp(){
    try {
        String url = "http://1111.ip138.com/ic.asp?timestamp="+System.nanoTime();
        String text = Jsoup.connect(url)
                .header("Accept", ACCEPT)
                .header("Accept-Encoding", ENCODING)
                .header("Accept-Language", LANGUAGE)
                .header("Connection", CONNECTION)
                .header("Host", "1111.ip138.com")
                .header("Referer", "http://ip138.com/")
                .header("User-Agent", USER_AGENT)
                .ignoreContentType(true)
                .timeout(5000)
                .get()
                .text();
        LOGGER.info("检查自身IP地址："+text);
        Matcher matcher = IP_PATTERN.matcher(text);
        if(matcher.find()){
            String ip = matcher.group();
            LOGGER.info("自身IP地址："+ip);
            return ip;
        }
    }catch (Exception e){
        LOGGER.error(e.getMessage());
    }
    LOGGER.info("检查自身IP地址失败，返回之前的IP地址："+ previousIp);
    return previousIp;
}

最后看看程序运行的部分截图如下：

尝试使用新的代理：186.91.60.155:8080
检查自身IP地址：您的IP地址 您的IP是：[186.91.60.155] 来自：委内瑞拉
自身IP地址：186.91.60.155
Thread[main,5,main]自动更换代理成功！
Thread[main,5,main]更换代理耗时：4025毫秒
将66条代理IP地址写入本地
将81条能隐藏自己的代理IP地址写入本地
将108条不能隐藏自己的代理IP地址写入本地
Thread[main,5,main]请求重新更换代理
Thread[main,5,main]开始重新更换代理
尝试使用新的代理：117.158.98.214:80
检查自身IP地址：您的IP地址 您的IP是：[117.158.98.214] 来自：河南省许昌市 移动
自身IP地址：117.158.98.214
Thread[main,5,main]自动更换代理成功！
Thread[main,5,main]更换代理耗时：176毫秒
将66条代理IP地址写入本地
将81条能隐藏自己的代理IP地址写入本地
将108条不能隐藏自己的代理IP地址写入本地
Thread[main,5,main]请求重新更换代理
Thread[main,5,main]开始重新更换代理
尝试使用新的代理：120.131.128.212:85
检查自身IP地址：您的IP地址 您的IP是：[111.200.10.82] 来自：北京市 联通
自身IP地址：111.200.10.82
Thread[main,5,main]自动更换代理成功！
Thread[main,5,main]更换代理耗时：240毫秒
将66条代理IP地址写入本地
将81条能隐藏自己的代理IP地址写入本地
将108条不能隐藏自己的代理IP地址写入本地

完整的代码见本人的superword项目：https://github.com/ysc/superword/blob/master/src/main/java/org/apdplat/superword/tools/ProxyIp.java