伪装豆瓣爬虫程序——如何解决豆瓣禁用爬虫程序?

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代码  收藏代码
  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 <a href="mailto:jingyu@taohua.com">惊羽</a> 
  7.  * 
  8.  */  
  9. class CookieManager implements Serializable{  
  10.     private static final long serialVersionUID = 292218695837624307L;  
  11.     private static CookieManager cookieManager = new CookieManager();  
  12.     private Map<String,Map<String,String>> cookies = new ConcurrentHashMap<String, Map<String,String>>();  
  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<String, String> domainCookies = cookies.get(getTopLevelDomain(domain));  
  22.         if(domainCookies != null){  
  23.             StringBuilder sb = new StringBuilder();  
  24.             boolean isFirst = true;  
  25.             for(Map.Entry<String, String> 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<String, String> domainCookies = cookies.get(getTopLevelDomain(domain));  
  48.         if(domainCookies == null){  
  49.             domainCookies = new ConcurrentHashMap<String, String>();  
  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<String,String> domainToTopLevelDomainMap = new ConcurrentHashMap<String, String>();  
  98. }  

 

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

Java代码  收藏代码
    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<String> 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. .........  

原文地址:https://www.cnblogs.com/xuxiaoshuan/p/3628935.html