Golang 爬虫教程 | 解决反爬问题 | 做一个文明的爬虫

本文首发于 https://imagician.net/archives/93/ 。欢迎到我的博客 https://imagician.net/ 了解更多。

前排提示：本文是一个入门级教程，讲述基本的爬虫与服务器关系。诸如无头浏览器、js挖取等技术暂不讨论。

面对大大小小的爬虫应用，反爬是一个经久不衰的问题。网站会进行一些限制措施，以阻止简单的程序无脑的获取大量页面，这会对网站造成极大的请求压力。

要注意的是，本文在这里说的是，爬取公开的信息。比如，文章的标题，作者，发布时间。既不是隐私，也不是付费的数字产品。网站有时会对有价值的数字产品进行保护，使用更复杂的方式也避免被爬虫“窃取”。这类信息不仅难以爬取，而且不应该被爬取。

网站对公开内容设置反爬是因为网站把访问者当做 “人类” ，人类会很友善的访问一个又一个页面，在页面间跳转，同时还有登录、输入、刷新等操作。机器像是 “见了鬼” 一股脑的“Duang Duang Duang Duang”不停请求某一个Ajax接口，不带登录，没有上下文，加大服务器压力和各种流量、带宽、存储开销。

比如B站的反爬

package main

import (
    "github.com/zhshch2002/goribot"
    "os"
    "strings"
)

func main() {
    s := goribot.NewSpider(goribot.SpiderLogError(os.Stdout))
    var h goribot.CtxHandlerFun
    h= func(ctx *goribot.Context) {
        if !strings.Contains(ctx.Resp.Text,"按时间排序"){
            ctx.AddItem(goribot.ErrorItem{
                Ctx: ctx,
                Msg: "",
            })
            ctx.AddTask(goribot.GetReq("https://www.bilibili.com/video/BV1tJ411V7eg"),h)
            ctx.AddTask(goribot.GetReq("https://www.bilibili.com/video/BV1tJ411V7eg"),h)
            ctx.AddTask(goribot.GetReq("https://www.bilibili.com/video/BV1tJ411V7eg"),h)
            ctx.AddTask(goribot.GetReq("https://www.bilibili.com/video/BV1tJ411V7eg"),h)
        }
    }
    s.AddTask(goribot.GetReq("https://www.bilibili.com/video/BV1tJ411V7eg"),h)
    s.Run()
}

运行上述代码会不停的访问 https://www.bilibili.com/vide... 这个地址。利用 Goribot 自带的错误记录工具，很快B站就封禁了我……可以看到下面图片里B站返回的 HTTP 403 Access Forbidden 。

对不起，又迫害小破站了，我回去就冲大会员去。别打我;-D。

侵入式的反爬手段

很多网站上展示的内容，本身就是其产品，包含价值。这类网站会设置一些参数（比如Token）来更精确的鉴别机器。

图为例，某站的一个Ajax请求就带有令牌Token、签名Signature、以及Cookie里设置了浏览器标识。

此类技术反爬相当于声明了此信息禁止爬取，这类技术不再本文讨论范围内。

遵守“礼仪”

后文中出现的举例以 net/http 和 Goribot 为主，

因为那个库是我写的

。

Goribot提供了许多工具，是一个轻量的爬虫框架，具体了解 请见文档 。

go get -u github.com/zhshch2002/goribot

遵守robots.txt

robots.txt是一种存放于网站根目录下（也就是 /robots.txt ）的一个文本文件，也就是txt。这个文件描述了蜘蛛可以爬取哪些页面，不可以爬取哪些。注意这里说的是允许，robots.txt只是一个约定，没有别的用处。

但是，一个不遵守robots.txt的爬虫瞎访问那些不允许的页面，很显然是不正常的（前提是那些被不允许的页面不是爬取的目标，只是无意访问到）。这些被robots.txt限制的页面通常更敏感，因为那些可能是网站的重要页面。

我们限制自己的爬虫不访问那些页面，可以有效地避免某些规则的触发。

Goribot 中对robots.txt的支持使用了 github.com/slyrz/robots 。

s := goribot.NewSpider(
    goribot.RobotsTxt("https://github.com", "Goribot"),
)

这里创建了一个爬虫，并加载了一个robots.txt插件。其中 "Goribot" 是爬虫名字，在robots.txt文件里对不同名字的爬虫可以设置不同的规则，此参数与之相对。 "https://github.com" 是获取robots.txt的地址，因为前文说过robots.txt只能设置在网站根目录，且作用域只有同host下的页面，这里只需设置根目录的URL即可。

控制并发、速率

想像一下，你写了一个爬虫，只会访问一个页面，然后解析HTML。这个程序放在一个死循环里，循环中不停创建新线程。嗯，听起来不错。

对于网站服务器来看，有一个IP，开始很高频请求，而且流量带宽越来越大，一回神3Gbps!!!?你这是访问是来DDos的？果断ban IP。

之后，你就得到了爬虫收集到的一堆 HTTP 403 Access Forbidden 。

当然上述只是夸张的例子，没有人家有那么大的带宽……啊，好像加拿大白嫖王家里就有。而且也没人那么写程序。

控制请求的并发并加上延时，可以很大程度减少对服务器压力，虽然请求速度变慢了。但我们是来收集数据的，不是来把网站打垮的。

在 Goribot 中可以这样设置：

s := goribot.NewSpider(
    goribot.Limiter(false, &goribot.LimitRule{
        Glob: "httpbin.org",
        Rate:        2, // 请求速率限制（同host下每秒2个请求，过多请求将阻塞等待）
    }),
)

Limiter在Goribot中是一个较为复杂的扩展，能够控制速率、并发、白名单以及随机延时。更多内容请参考)。

技术手段

网站把所有请求者当做人处理，把不像人的行为的特征作为检测的手段。于是我们可以使程序模拟人（以及浏览器）的行为，来避免反爬机制。

UA

作为一个爬虫相关的开发者，UA肯定不陌生，或者叫User-Agent用户代理。比如你用Chrome访问量GitHub的网站，HTTP请求中的UA就是由Chrome浏览器填写，并发送到网站服务器的。UA的字面意思，用户代理，也就是说用户通过什么工具来访问网站。（毕竟用户不能自己直接去写HTTP报文吧，开发者除外;-D）

网站可以通过鉴别UA来简单排除一些机器发出的请求。比如Golang原生的 net/http 包中会自动设置一个UA，标明请求由Golang程序发出，很多网站就会过滤这样的请求。

在Golang原生的 net/http 包中，可以这样设置UA：（其中 "User-Agent" 大小写不敏感）

r, _ := http.NewRequest("GET", "https://github.com", nil)
r.Header.Set("User-Agent", "Goribot")

在Goribot中可以通过链式操作设置请求时的UA：

goribot.GetReq("https://github.com").SetHeader("User-Agent", "Goribot")

总是手动设置UA很烦人，而且每次都要编一个UA来假装自己是浏览器。于是我们有自动随机UA设置插件：

s := goribot.NewSpider(
    goribot.RandomUserAgent(),
)

Referer

Referer是包含在请求头里的，表示“我是从哪个URL跳转到这个请求的？”简称“我从哪里来？”。如果你的程序一直发出不包含Referer或者其为空的请求，服务器就会发现“诶，小老弟，你从哪来的？神秘花园吗？gun！”然后你就有了 HTTP 403 Access Forbidden 。

在Golang原生的 net/http 包中，可以这样设置Referer：

r, _ := http.NewRequest("GET", "https://github.com", nil)
r.Header.Set("Referer", "https://www.google.com")

在Goribot中可装配Referer自动填充插件来为新发起的请求填上上一个请求的地址：

s := goribot.NewSpider(
    goribot.RefererFiller(),
)

Cookie

Cookie应该很常见，各种网站都用Cookie来存储账号等登录信息。Cookie本质上是网站服务器保存在客户端浏览器上的键值对数据，关于Cookie的具体知识可以百度或者谷歌。

创建Goribot爬虫时会顺带一个Cookie Jar，自动管理爬虫运行时的Cookie信息。我们可以为请求设置Cookie来模拟人在浏览器登录时的效果。

使用Golang原生的 net/http ，并启用Cookie Jar，用Cookie设置登录：

package main

// 代码来自 https://studygolang.com/articles/10842 ，非常感谢

import (
    "fmt"
    "io/ioutil"
    "net/http"
    "net/http/cookiejar"
    //    "os"
    "net/url"
    "time"
)

func main() {
    //Init jar
    j, _ := cookiejar.New(nil)
    // Create client
    client := &http.Client{Jar: j}

    //开始修改缓存jar里面的值
    var clist []*http.Cookie
    clist = append(clist, &http.Cookie{
        Name:    "BDUSS",
        Domain:  ".baidu.com",
        Path:    "/",
        Value:   "cookie  值xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
        Expires: time.Now().AddDate(1, 0, 0),
    })
    urlX, _ := url.Parse("http://zhanzhang.baidu.com")
    j.SetCookies(urlX, clist)

    fmt.Printf("Jar cookie : %v", j.Cookies(urlX))
    
    // Fetch Request
    resp, err = client.Do(req)
    if err != nil {
        fmt.Println("Failure : ", err)
    }

    respBody, _ := ioutil.ReadAll(resp.Body)

    // Display Results
    fmt.Println("response Status : ", resp.Status)
    fmt.Println("response Body : ", string(respBody))
    fmt.Printf("response Cookies :%v", resp.Cookies())
}

在Goribot中可以这样：

s.AddTask(goribot.GetReq("https://www.bilibili.com/video/BV1tJ411V7eg").AddCookie(&http.Cookie{
        Name:    "BDUSS",
        Value:   "cookie  值xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
        Expires: time.Now().AddDate(1, 0, 0),
    }),handlerFunc)

如此在稍后的 s.Run() 中，这一请求将会被设置Cookie且后续Cookie由Cookie Jar维护。