526互联

反爬虫之有个操作也许可以检测aiohttp、httpx，requests也尴尬？

发布时间 2023-04-14 10:41:30作者: Eeyhan

前言


最近行业市场不太景气啊，趁着有时间多学学吧，武装自己，等机会
刚好，发现一个很6的东西。这个问题是在差不多半个月前，群友 @十一 发现的，然后在群里跟大家讨论。

 

 

 


这个网站，请求的时候，requests正常：

 

 

 

 

 

原始的curl也可以：

 

 

 

aiohttp，直接报错

 

 

 

 

httpx，也直接报错：

 

 

 

不过httpx的报错要明显点，这就进入了有意思的环节

分析



看到这里，估计就有朋友开始冷笑了：搞爬虫大部分不都用requests的吗，谁会用httpx和aiohttp这些啊，感觉这个是不是没啥用啊。
别急，朋友，在文章的下面会说这个，当然如果你赶时间或者觉得没啥意思，那就没必要浪费时间继续看了

1.httpx


拿着上面的报错，去网上搜，找到如下issues:
https://github.com/encode/httpx/issues/1561
https://github.com/encode/httpx/issues/1363


看完里面各位大佬的一顿分析，说是hyper库的问题：

 

 

 

 

 

 

然后hyper库的开发者，如下链接回复：
https://github.com/python-hyper/h11/issues/113
大概意思是这个不是一个问题，而是http请求的严格性判断问题，请求头的协议，按国际标准，是不能出现 “[Cache-Control]” 这种带有特殊符号作为响应头的键名的，所以报错
而requests却可以，或许是因为requests的校验不严格，直接就放过了：

 

 

 

而，浏览器访问也是可以的：

 

 

 


那么我个人就有理由认为

这是一个bug，httpx和aiohttp都存在的bug

 

httpx的作者，对这个问题那段时间确实在尝试解决，github机器人都想关闭了，httpx作者还不想放弃：

 

 

 

 

且至今没解决，遇到的人还不少，至少，上个月都还有人在说这个问题

　　

 

卧槽，这时间，上周都还有人在问啊：

 

 

 

 

 

其中也有说解决办法，看到有个老哥说改h11的源码，改成这样：

 

 

 

 

 

但是报错依然在

 

 

 

 

另外有个老哥说了这个方法：

 

 

 

h11.readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")

　　

 

我把这个代码直接放我代码里，报错了，根本没有这个属性

 

 

经过一顿查阅，他换了个属性名，是这个：

 

 

import h11from h11 import _readersimport re
h11._readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")

　　

 

但是我试了，换成了新的报错：

 

 

也许是正则表达式写的不完美：

 

 

正则表达式通用匹配一下，然后就可以了：

 

 

import httpximport h11
from h11 import _readers
import re
# h11._readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")
h11._readers.header_field_re = re.compile(b"(?P<field_name>.*?):[ \t](?P<field_value>.*?)")
headers = {  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36'}
url = 'https://scanstatus.sxxxxx'
# url = 'https://club.xxxxxx/thread-26829078-1-1.html'
resp = httpx.get(url=url, headers=headers)
print(resp.text)

　　


但是，我换了一个网站，也就是那个issue里某华某为的社区地址，不出正常的结果：

 

 

所以，修改正则表达式并不是一个通用的方案。

 

插一句，在请求的时候，就不要开代理或者抓包软件了，不然他报错更奇怪：

 

 

 

综上所述，也就是，只要服务器的返回头埋的坑够多，这个方法根本无法完美解决

那么这个问题，httpx作者就给了个这个解释就没下文了

https://github.com/encode/httpx/issues/767#issuecomment-1367498458

　　


就这么不了了之了。。。

 

因为根据http协议的响应头原理，确实不会出现这种不标准的字段

更官方的解释可以去查查http协议原理，或者看看以下资料：

https://zh.wikipedia.org/zh/HTTP%E5%A4%B4%E5%AD%97%E6%AE%B5https://developer.mozilla.org/zh-CN/docs/Web/API/Headerhttps://developer.mozilla.org/zh-CN/docs/Glossary/Response_header

　　


我的理解如下：

客户端需要先解析响应头，通过响应头的一些规范来解析返回的响应体的，既然你响应头都报错了，那后续的响应体解析自然也不会往下走了，直接报错退出。


2.aiohttp

 

对于aiohttp来说，像上面那么加正则表达式是无效的：

 

 

 

 

改完发现并没有用

 

 

这有说，改成1，也试了，不行

 

 

 

 

更多的就不演示了

反正就是一顿查找，发现aiohttp上并没有合理方案解决

 

针对的解决方案


1.用requests


上面有了，这里就不展示了

但是requests我们知道，它是不支持http2.0协议的

2.用正则表达式替换


上面也有了，这里不贴了但是不能完美覆盖后续的响应头特殊参数

3.用urllib3处理


这个库用的倒不多，可以直接请求：

 

 

但是他也是个可以直接拿来请求的库，相比requets，那很多功能还是没有。其实requests本质就是借助了urllib3库的
所以，这个库，不出意外应该也是不支持http2.0的

用非常规的请求库尝试 


既然目前的方法，除了requests/urllib3，其他都不行，那我在这个基础之上，强制http2，是不是就可以干掉requets库了，python的常规请求库直接无可用的，直接干死这些爬虫？

想的挺美的

1.用tls-client试试

虽然他是用来对抗tls的，试试呢：

 

 

可行。为啥，因为他原理就是完全模拟浏览器，大概看了它的源码，用curl_impersonate库，打包成了一个dll（具体怎么打包的不可知，这部分没开源，插一句，据群友反馈，也是因为这个dll，会导致内存泄漏），然后可以直接用，上面说过了，浏览器可以访问，那这个库肯定也可以访问了

那么测试那个某为的网址：

 

 

不行，被识别了，牛吧，还是得是某为啊

2.用curl_cffi试试

 

 


 

测试那个某为的网址：

 

 

这么对比，看来curl_cffi才是获胜者啊，只能说，牛逼啊！！！


实现一个anti aiohttp、httpx的服务


简单的用fastapi 实现一个简单的服务，设置了下响应头：

 

 

1.用httpx请求

httpx代码不变，只是把url换了，果然报错

 

 

2.用aiohttp请求

再来看aiohttp，果然报错，哈哈哈哈

 

 

2.用http.client请求

 

 

 

 

3.用urllib3、requests测试


 

 

 

 

 

 

还得是这哥俩啊，直接能跑

4.用node的request请求看看

 

 

 

刺激，也给防住了。

5.用golang 看看


刺激啊，也没有正常返回

 

 

 

 

6.用postman看看

postman也直接无返回

 

 


7.用安卓看看

package com.geek.spiderclient;

import androidx.appcompat.app.AppCompatActivity;

import android.os.Bundle;
import android.util.Log;
import android.widget.TextView;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.UnsupportedEncodingException;
import java.net.HttpURLConnection;
import java.net.URL;

public class MainActivity extends AppCompatActivity {
    private TextView textView;

    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);
        textView = findViewById(R.id.hello);

        new Thread(new Runnable() {
            String result = "";

            @Override
            public void run() {
                try {
                    String url_string = "http://192.168.30.251:8000/";// 由于高版本有https的限制，需要修改targetSdk为27及一下。
                    URL url = new URL(url_string);
                    //得到connection对象。
                    HttpURLConnection connection = (HttpURLConnection) url.openConnection();
                    //设置请求方式
                    connection.setRequestMethod("GET");
                    //连接
                    connection.connect();
                    //得到响应码
                    int responseCode = connection.getResponseCode();
                    Log.d("headers", "" + connection.getHeaderFields());
                    if (responseCode == HttpURLConnection.HTTP_OK) {
                        //得到响应流
                        InputStream inputStream = connection.getInputStream();
                        //将响应流转换成字符串
                        result = is2String(inputStream);//将流转换为字符串。
                        Log.d("result", "result=============" + result);
                    }
                } catch (Exception e) {
                    e.printStackTrace();
                }
                runOnUiThread(new Runnable() {
                    @Override
                    public void run() {
                        Log.e("result", "runOnUiThread");
                        textView.setText(result);
                    }
                });
            }
        }).start();
    }

    public String is2String(InputStream is) {
        //连接后，创建一个输入流来读取response
        BufferedReader bufferedReader = null;
        try {
            bufferedReader = new BufferedReader(new InputStreamReader(is, "utf-8"));
            String line = "";
            StringBuilder stringBuilder = new StringBuilder();
            String response = "";
            //每次读取一行，若非空则添加至 stringBuilder
            while ((line = bufferedReader.readLine()) != null) {
                stringBuilder.append(line);
            }
            //读取所有的数据后，赋值给 response
            response = stringBuilder.toString().trim();
            return response;
        } catch (IOException e) {
            e.printStackTrace();
        }
        return null;
    }
}

　　



打包好之后：

 

 

安卓是可以的


再来看看服务端这边，其实是有正常请求的，但是客户端那边无法正常解而已。

 

 


那么有朋友估计有想法，那既然报错，我捕获异常强制打印结果不行吗？
这里还是用回到python httpx库试试

 

 

不行的哈哈，原因前面说过了

配置将服务强制http2.0协议

 

1.配置服务端

说干就干，准备尝试把代码移植刀服务器上，直接启动这边的服务，然后nginx搭建好，配置好http2，我买的服务器它默认没给开80和443等常规的库，问了客服说要申请备案了才行，卧槽，很迷，无所谓，我把这个服务搭建到6363端口上：

 

 


nginx如下配置： 
server {
      # listen 6363;
      listen [::]:6363 ssl  http2; # managed by Certbot
      listen 6363  ssl http2; # managed by Certbot
      ssl_certificate /root/cert.pem; # managed by Certbot
      ssl_certificate_key /root/key.pem; # managed by Certbot
      if ($server_protocol !~* "HTTP/2.0") {
        return 444;
      }
      root /data/www/fast-tortoise;
      server_name 0.0.0.0;
      location / {
            proxy_set_header x-Real-IP $remote_addr;
            proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
            proxy_set_header Host $http_host;
            proxy_pass http://127.0.0.1:8000/; # gunicorn绑定的fastapi的端口号
        }
      # 配置static的静态文件：
      location ~ ^\/static\/.*$ {
            root /data/www/fast-tortoise/static;
         }
}

　　

 

证书文件用以下命令生成即可：前提得安装openssl库
openssl req -x509 -newkey rsa:4096 -keyout key.pem -out cert.pem -days 365 -nodes

　　



2.请求测试


配置好了之后，首先requests肯定是不行了，因为不支持http2.0。这里就不演示了。

用httpx测试下，唉？直接就给放行了

 

 


卧槽？反爬虫路途创业未半中道崩卒....
.....

看来http2.0把这个问题修复了呀......

......
那就只能在http1.0，http1.1下防住一部分的爬虫了

那有朋友估计要问了，你这个操作，好像只是有点奇怪，但实际并没有文章标题说的那么邪乎啊，说直接点，基本没啥用啊

解惑


如果坚持看到这里的朋友，还没有忘记前面说的有关requests问的话。ok，这里开始说说。
其实我一开始发现这个所谓的bug的时候，感觉也不是太有用，requests都能跑，没把requests防住，那肯定没啥意思啊。
那么这个所谓的bug，真的没用吗？
只是这一个的话肯定防不住的，可以用来跟其他反爬手段组合啊，比如tls指纹，或者其他的风控检测手段等等的。

其实，我在发这篇文章之前，也开发了两个爬虫练习题

 

 


第一题就是这个bug
第二题是另外一个检测手段，可以检测到requests和httpx，tls-client，curl_cffi，aiohttp，还有常规的请求软件，而且没有用到tls指纹。
本来说是先让群友拿来玩，然后过几天发文章公开检测手段以及如何bypass的。
我没想到，我还没发多久，就有 intellectual disability 搞我服务器.....
顿时就觉得没意思了，服务关了，第二题的检测手段和bypass的方法我也不打算公开了。由于这篇文章之前就答应过群友 @十一，且早就写好了，那就继续发吧。
想知道第一种检测手段，还有哪些特殊字符不能被正常解析吗？有想知道第二种检测手段的朋友？
可以时不时的关注我的动向，也许我会在某一天用新的形式发出来

结语


爬虫的核心，还是指纹等静态特征完全的模拟浏览器环境，行为等动态特征完全的模拟人为操作


工作避坑&内推（仅成都）、技术交流、商务合作、技术交流群

 

扫码或者搜ID：geekbyte