18

我使用Scrapy并尝试抓取使用Incapsula的网站 

<meta name="robots" content="noindex,nofollow">
<script src="/_Incapsula_Resource?SWJIYLWA=719d34d31c8e3a6e6fffd425f7e032f3">
</script>

两年前我已经问过一个关于这个问题的问题，但是这种方法（Incapsula-Cracker）不再起作用了。

我试图了解Incapsula 的工作原理 ，并尝试绕过它

def start_requests(self):
    yield Request('https://courses-en-ligne.carrefour.fr',  cookies={'store': 92}, dont_filter=True, callback = self.init_shop)
def init_shop(self,response) :
    result_content      = response.body
    RE_ENCODED_FUNCTION = re.compile('var b="(.*?)"', re.DOTALL)
    RE_INCAPSULA        = re.compile('(_Incapsula_Resource\?SWHANEDL=.*?)"')
    INCAPSULA_URL       = 'https://courses-en-ligne.carrefour.fr/%s'
    encoded_func        = RE_ENCODED_FUNCTION.search(result_content).group(1)
    decoded_func        = ''.join([chr(int(encoded_func[i:i+2], 16)) for i in xrange(0, len(encoded_func), 2)])
    incapsula_params    = RE_INCAPSULA.search(decoded_func).group(1)
    incap_url           = INCAPSULA_URL % incapsula_params
    yield Request(incap_url)
def parse(self):
    print response.body

但我被重定向到RE-Captcha 页面 

<html style="height:100%">
<head>
<META NAME="ROBOTS" CONTENT="NOINDEX, NOFOLLOW">
<meta name="format-detection" content="telephone=no">
<meta name="viewport" content="initial-scale=1.0">
<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">
</head>
<body style="margin:0px;height:100%">
<iframe src="/_Incapsula_Resource?CWUDNSAI=27&xinfo=3-10784678-0%200NNN%20RT%281523525225370%20394%29%20q%280%20-1%20-1%20-1%29%20r%280%20-1%29%20B12%284%2c316%2c0%29%20U10000&incident_id=459000960022408474-41333502566401539&edet=12&cinfo=04000000" frameborder=0 width="100%" height="100%" marginheight="0px" marginwidth="0px">Request unsuccessful. Incapsula incident ID: 459000960022408474-41333502566401539
</iframe>
</body>
</html>
4

2 回答 2

12

因此，首先对于此类问题没有万无一失的解决方案。我作为一个实际的用户最终不得不在 StackOverflow 上回答时解决验证码。这意味着机器人肯定会得到验证码。

现在，我尝试遵循一些规则来减少验证码的机会

  • 永远不要为此类项目使用共享代理。使用TOR是一个大NO
  • 使用Chrome+ Selenium+Proxy
  • 将 Chrome 与existing profile. 我更喜欢拥有不同网站的浏览历史记录、来自许多其他网站和跟踪器的 cookie 以及回溯到一个月的个人资料。您不知道如何评估用户/机器人差异。所以你想看起来更像一个真实的用户
  • 永远不要快速抓取，尽可能多地使用延迟和尽可能随机的延迟
  • 始终使用可见的浏览器并持续监控验证码，在验证码出现时手动解决验证码或使用 DeathByCaptcha 或类似服务。尽量不要中止验证码页面，因为它可能会将您的机器人概率检查提高到更高的等级

这是一场猫捉老鼠的游戏，你不知道对方有什么防御手段。所以你试着玩得轻松愉快

于 2018-04-17T13:56:44.923 回答
4

这不是最好的答案，只是给出一些观点来理解为什么进行网络抓取并不容易，主要是在前面有 CDN 的情况下。

首先，最好检查一下你将要对抗的东西，WAF和Bot Mitigation。

然后为了获得更多想法，这是一个很好的演讲：攻击者如何绕过 CDN 攻击源

现在，这并不意味着不可能进行网络抓取，这里的问题现在减少到时间/速度，您尝试高速度的速度越快，您触发验证码的更改就越快，在最坏的情况下甚至被完全阻止。

有多种方法，例如每个请求使用不同的 IP：使用 Python over Tor发出请求，更改用户代理等。但其中大多数都绑定到一组定义的超时和您可能需要找到的查询模式。

于 2018-04-16T19:15:52.387 回答