本帖最后由 warner 于 2023-4-20 10:03 编辑
前言
最近发现一个很6的东西。这个问题是在差不多半个月前，在技术群里一个老哥发现的问题，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：
[Python] 纯文本查看 复制代码
h11.readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")
我把这个代码直接放我代码里，报错了，根本没有这个属性
经过一顿查阅，他换了个属性名，是这个：
[Python] 纯文本查看 复制代码 import h11
from h11 import _readers
import re
h11._readers.header_field_re = re.compile(b"(?P<field_name>[-!#$%&'*+.^`/|~0-9a-zA-Z]+):[ \t](?P<field_value>([^\\x00\\s]+(?:[ \t]+[^\\x00\\s]+))?)[ \t]*")
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：
[Python] 纯文本查看 复制代码 import httpx
import 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 = '
# url = '
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{过}{滤}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://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：
一顿搜索，发现有如下方案
改完发现并没有用
这还有说，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，但可以直接请求：
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，哈哈
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
再来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，直接无情的嘲讽（只能设置英文状态的，要不然嘲讽力度拉满，嘿嘿）
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
[Java] 纯文本查看 复制代码 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;
[url=https://www.52pojie.cn/home.php?mod=space&uid=1892347]@Override[/url] 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：
[Bash shell] 纯文本查看 复制代码
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
[Bash shell] 纯文本查看 复制代码 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了。
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，有无聊的人搞我服务器.....，所以我服务关了
以后想好了再公布另一种检测方案吧
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
第一次在吾爱发帖，萌新表示好紧张，排版调了好半天
感谢大哥大姐们的耐心观看！！！！
| 
[复制链接]
发表于 2023-4-5 09:06
收藏
淘帖
有用
分享到朋友圈
