一、前言
一個非常強的反爬蟲方案 —— 禁用所有 HTTP 1.x 的請求！
現在很多爬蟲庫其實對 HTTP/2.0 支持得不好，比如大名鼎鼎的 Python 庫 —— requests，到現在為止還只支持 HTTP/1.1，啥時候支持 HTTP/2.0 還不知道。
Scrapy 框架最新版本 2.5.0（2021.04.06 發布）加入了對 HTTP/2.0 的支持，但是官網明確提示，現在是實驗性的功能，不推薦用到生產環境，原文如下：
“
HTTP/2 support in Scrapy is experimental, and not yet recommended for production environments. Future Scrapy versions may introduce related changes without a deprecation period or warning.
”
插一句，Scrapy 中怎么支持 HTTP/2.0 呢？在 settings.py 里面換一下 Download Handlers 即可：
DOWNLOAD_HANDLERS = {
'https': 'scrapy.core.downloader.handlers.http2.H2DownloadHandler',
}
當前 Scrapy 的 HTTP/2.0 實現的已知限制包括：
- 不支持 HTTP/2.0 明文（h2c），因為沒有主流瀏覽器支持未加密的 HTTP/2.0。
- 沒有用于指定最大幀大小大于默認值 16384 的設置，發送更大幀的服務器的連接將失敗。
- 不支持服務器推送。
- 不支持
bytes_received和 headers_received信號。
關于其他的一些庫，也不必多說了，對 HTTP/2.0 的支持也不好，目前對 HTTP/2.0 支持得還可以的有 hyper 和 httpx，后者更加簡單易用一些。
二、反爬蟲
所以，你想到反爬蟲方案了嗎？
如果我們禁用所有的 HTTP/1.x 的請求，是不是能通殺掉一大半爬蟲？requests 沒法用了，Scrapy 除非升級到最新版本才能勉強用個實驗性版本，其他的語言也不用多說，也會殺一大部分。
而瀏覽器對 HTTP/2.0 的支持現在已經很好了，所以不會影響用戶瀏覽網頁的體驗。
三、措施
那就讓我們來吧！
這個怎么做呢？其實很簡單，在 Nginx 里面配置一下就好了，主要就是加這么個判斷就行了：
if ($server_protocol !~* "HTTP/2.0") {
return 444;
}
就是這么簡單，這里 $server_protocol 就是傳輸協議，其結果目前有三個：HTTP/1.0、HTTP/1.1 和 HTTP/2.0，另外判斷條件我們使用了 !~* ，意思就是不等于，這里的判斷條件就是，如果不是 HTTP/2.0，那就直接返回 444 狀態碼，444 一般代表 CONNECTION CLOSED WITHOUT RESPONSE，就是不返回任何結果關閉連接。
我的服務是在 Kubernetes 里面運行的，所以要加這個配置還得改下 Nginx Ingress 的配置，不過還好 https://kubernetes.github.io/ingress-nginx/user-guide/nginx-configuration/annotations/ 預留了一個配置叫做 nginx.ingress.kubernetes.io/server-snippet，利用它我們可以自定義 Nginx 的判定邏輯。
官方用法如下：
apiVersion: networking.k8s.io/v1beta1
kind: Ingress
metadata:
annotations:
nginx.ingress.kubernetes.io/server-snippet: |
set $agentflag 0;
if ($http_user_agent ~* "(Mobile)" ){
set $agentflag 1;
}
if ( $agentflag = 1 ) {
return 301 https://m.example.com;
}
所以這里，我們只需要改成剛才的配置就好了：
apiVersion: networking.k8s.io/v1beta1
kind: Ingress
metadata:
annotations:
nginx.ingress.kubernetes.io/server-snippet: |
if ($server_protocol !~* "HTTP/2.0") {
return 444;
}
大功告成！
配置完成了，示例網站是：https://spa16.scrape.center/
我們在瀏覽器中看下效果：
可以看到所有請求都是走的 HTTP/2.0，頁面完全正常加載。
然而，我們使用 requests 來請求一下：
import requests
response = requests.get('https://spa16.scrape.center/')
print(response.text)
非常歡樂的報錯：
Traceback (most recent call last):
...
raise RemoteDisconnected("Remote end closed connection without"
http.client.RemoteDisconnected: Remote end closed connection without response
During handling of the above exception, another exception occurred:
Traceback (most recent call last):
...
raise MaxRetryError(_pool, url, error or ResponseError(cause))
requests.packages.urllib3.exceptions.MaxRetryError: HTTPSConnectionPool(host='spa16.scrape.center', port=443): Max retries exceeded with url: / (Caused by ProxyError('Cannot connect to proxy.', RemoteDisconnected('Remote end closed connection without response')))
During handling of the above exception, another exception occurred:
Traceback (most recent call last):
...
requests.exceptions.ProxyError: HTTPSConnectionPool(host='spa16.scrape.center', port=443): Max retries exceeded with url: / (Caused by ProxyError('Cannot connect to proxy.', RemoteDisconnected('Remote end closed connection without response')))
如果你用 requests，無論如何都不行的，因為它就不支持 HTTP/2.0。
那我們換一個支持 HTTP/2.0 的庫呢？比如 httpx，安裝方法如下：
pip3 install 'httpx[http2]'
注意，Python 版本需要在 3.6 及以上才能用 httpx。
安裝好了之后測試下：
import httpx
client = httpx.Client(http2=True)
response = client.get('https://spa16.scrape.center/')
print(response.text)
結果如下：
!DOCTYPE html>html lang=en>head>meta charset=utf-8>meta http-equiv=X-UA-Compatible content="IE=edge">meta name=viewport content="width=device-width,initial-scale=1">meta name=referrer content=no-referrer>link rel=icon href=/favicon.ico>title>Scrape | Book/title>link href=/css/chunk-50522e84.e4e1dae6.css rel=prefetch>link href=/css/chunk-f52d396c.4f574d24.css rel=prefetch>link href=/js/chunk-50522e84.6b3e24aa.js rel=prefetch>link href=/js/chunk-f52d396c.f8f41620.js rel=prefetch>link href=/css/app.ea9d802a.css rel=preload as=style>link href=/js/app.b93891e2.js rel=preload as=script>link href=/js/chunk-vendors.a02ff921.js rel=preload as=script>link href=/css/app.ea9d802a.css rel=stylesheet>/head>body>noscript>strong>We're sorry but portal doesn't work properly without JavaScript enabled. Please enable it to continue./strong>/noscript>div id=app>/div>script src=/js/chunk-vendors.a02ff921.js>/script>script src=/js/app.b93891e2.js>/script>/body>/html>
可以看到，HTML 就成功被我們獲取到了！這就是 HTTP/2.0 的魔法！
我們如果把 http2 參數設置為 False 呢？
import httpx
client = httpx.Client(http2=False)
response = client.get('https://spa16.scrape.center/')
print(response.text)
一樣很不幸：
Traceback (most recent call last):
...
raise RemoteProtocolError(msg)
httpcore.RemoteProtocolError: Server disconnected without sending a response.
The above exception was the direct cause of the following exception:
...
raise mapped_exc(message) from exc
httpx.RemoteProtocolError: Server disconnected without sending a response.
所以，這就印證了，只要 HTTP/1.x 通通沒法治！可以給 requests 燒香了！
又一個無敵反爬蟲誕生了！各大站長們，安排起來吧～
到此這篇關于Requests什么的通通爬不了的Python超強反爬蟲方案！的文章就介紹到這了,更多相關Python反爬蟲內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- 用sleep間隔進行python反爬蟲的實例講解
- python反爬蟲方法的優缺點分析
- python 常見的反爬蟲策略
- Python常見反爬蟲機制解決方案
- 用python3 urllib破解有道翻譯反爬蟲機制詳解
- Python反爬蟲技術之防止IP地址被封殺的講解
- Python3爬蟲學習之應對網站反爬蟲機制的方法分析
- Python中常見的反爬機制及其破解方法總結
