反爬虫

RSS Factory前段时间又出问题了，访问微信公众号RSS一直500，完全没法用了。

经调试，发现由于爬取数据太频繁，触发了搜狗微信公众号的反爬虫，探索了下反爬虫的规则:

没有带Cookie的情况下，频繁访问触发反爬虫

带Cookie的情况下，频繁访问偶尔触发反爬出，偶现500错误

不带Cookie情况下，隔几个小时范围一下不会触发反爬虫

Cookie有几个关键字段用于识别爬虫，SUID，SNUID，SUV。

不带Cookie请求任意搜狗微信公众号页面，应答set-cookie会带SUID，SNUID字段，SUV由JavaScript生成。

应对反爬虫

基于以上探索的反爬虫措施，制定应对反爬虫的策略。

维护一个Cookie池

爬取数据时随机取Cookie

定时更新Cookies池

实现

@tornado.gen.coroutine

def get_cookies():

cookies = []

client = tornado.httpclient.AsyncHTTPClient()

for i in xrange(10):

url = 'http://weixin.sogou.com/weixin?query=%s' % random.choice('abcdefghijklmnopqrstuvwxyz')

# 获取SNUID

cookie_request = tornado.httpclient.HTTPRequest(url=url, method='HEAD')

cookie = yield client.fetch(cookie_request)

SUID = re.findall(r'(SUID=\S+?);', cookie.headers['set-cookie'])[0]

m = re.findall(r'(SNUID=\S+?);', cookie.headers['set-cookie'])

if m:

SNUID = m[0]

headers = {'Cookie:': '; '.join([SUID, getSUV(), SNUID])}

cookies.append(headers)

mc = memcache.Client(['%s:15211' % IP])

if cookies:

mc.set('cookie', cookies)

用到了tornado的协程，使用异步httpClient，发送请求时使用HEAD方法，只请求头部，通过解析set-cookie生成自己的Cookie头，连续不带Cookies访问1-次，生成Cookie池，并且保存在memcached中。

在调用tornado.ioloop.IOLoop.instance().start()之前，调用get_cookies()，任务就能正常运行了，但是我们需要定时更新Cookie池，所以还要添加定时任务。

tornado有两种方式可以定时运行可调用对象：

# 延时运行，接受delta延时时间间隔为datetime.delta对象，func为可调用对象，但是只能调用一次，所以如果用add_timeout还需要在func中显式的再add_timeout才能实现定时调用

tornado.ioloop.IOLoop.instance().add_timeout(delta, func)

# 定时回调，以毫秒为单位，每6个小时调用一次

tornado.ioloop.PeriodicCallback(get_cookies, 6*60*60*1000).start()

效果

实现了定时任务后每6个小时会更新一次Cookie池，产生10个新的Cookie，爬取数据时使用随机Cookie明显降低了产生500的概率，效果良好。

欢迎使用RSS Factory。