别去送死了，以为用Selenium爬虫网站就检测不到？
数据管道
共 1217字，需浏览 3分钟
·
2020-11-28 00:50
很多人喜欢使用Selenium 或者 Puppeteer(Pyppeteer)通过模拟浏览器来编写爬虫，自以为这样可以不被网站检测到，想爬什么数据就爬什么数据。
但实际上，Selenium 启动的浏览器，有几十个特征可以被网站通过 JavaScript 探测到。Puppeteer 启动的浏览器，也有很多特征能够被网站探测。
如果你不相信，那么我们来做一个实验。首先你使用正常的浏览器打开如下网址：https://bot.sannysoft.com/。可以看到，页面的内容如下：
这个页面很长，你得滚动鼠标往下看。大部分都是绿色的。
接下来，使用Selenium启动一个 Chrome 的有头模式，再打开这个页面看看效果：
一开始WebDriver这一项就标红了，说明网站成功检测到你使用模拟浏览器了。你再往下翻，标红的都是可以被检测出的特征。
左边是普通浏览器，右边是模拟浏览器。如果你一项一项对比，就会发现很多地方都不一样。
这还是有头模式的效果。我们来看看无头模式：
from selenium.webdriver import Chrome
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument("--headless")
driver = Chrome('./chromedriver', options=chrome_options)
driver.get('https://bot.sannysoft.com/')
driver.save_screenshot('screenshot.png')
截图打开以后是下面这样的。不要吓到：
这么多特征都直接暴露了，你还隐藏个屁。网站只要想发现你，非常容易。
既然 Selenium 不行，那 Puppeteer 或者 Pyppeteer怎么样呢？我们使用 Pyppeteer 来做个实验。直接启动无头模式并截图。运行效果是下面这样的：
跟 Selenium 没什么区别。
所以，你还好意思继续用这两个东西来写爬虫？爬点没有安全意识的小网站可以。爬那些有强大安全团队和法务团队的公司，你就是在找死。
推荐阅读
欢迎长按扫码关注「数据管道」
评论