记一次基于Cloudflare服务的爬虫
前言
前几天有个朋友托我帮忙爬一个网站，第一次打开那个网站时，我去，它竟然就要验证码，不过当时是想加几个header应该就能解决，不过事实证明我还是错了。接下来将记录下爬虫中遇到的一些坑以及解决办法。
开始
相关
目标网站：avada – avada commerce
使用了cloudflare的cdn服务，而且cloudflare又和百度有合作，所以我们的访问异常时，就会被百度的云加速服务给拦截下来。
乱码问题
本来是准备用比较拿手的java写此次爬虫，java请求返回的内容总是出现一些乱码的问题。已经设置为utf-8方式并且像gzip、br等解压缩都尝试了，稍微好点的情况只有body标签内的内容为乱码，糟糕的情况就是整个返回的内容皆为乱码。后来就用python试了试，乱码问题直接没了，有点迷！
验证码问题
之前用python解决乱码问题后，紧接着又出现的就是访问需要验证码了。当时我是浏览器里访问不需要验证码，但python访问不管如何，一直出现百度云加速的验证码认证。出现这种情况，我的第一反应是python中是不是少了某些关键头部，于是将浏览器中的header带到python中一 一去试，但并没有起到啥作用。这里我就贼纳闷了，究竟为甚吗？？？后来才突然想起来我浏览器走了代理，于是我干脆给电脑设置了个全局代理，然后用python继续访问，让人感动的一幕发生了-----> 命令行中返回了目标网站的页面源代码！这时我才察觉，我的本地ip已经进入了目标网站的黑名单 。到这里，验证码也就绕过了。
js导致页面url发生重定向
在把前面的目标网站的页面下载到本地后，然后用浏览器打开该文件，浏览器会加载页面中的一些图片css还有js等资源文件，其中有个js会检测当前页面url中的协议是否是https，如果不是，将重定向至对应的https协议的页面。这里显然，我们打开的本地文件url是文件的目录，不是以https开始的。
比如火狐浏览器中打开目标文件，地址栏的url如下
file:///c:/users/asche/vscode/shopify/temp/customers/how%20to%20add%20or%20edit%20a%20customer%e2%80%99s%20address.html
被重定向后的url如下
https://c/users/asche/vscode/shopify/temp/customers/how%20to%20add%20or%20edit%20a%20customer%e2%80%99s%20address.html
显然，重定向后的页面是不存在的。当然，我们也可以在页面重定向前手动取消重定向的请求，不过这样毕竟体验不好，所以继续想办法解决重定向问题。
于是，准备寻找起重定向作用的·js代码，浏览一番渲染后的页面源代码，发现在body标签结束前，多了这样一段代码：
<script type="text/javascript" id="">"https:"!=location.protocol&&(location.href="https:"+window.location.href.substring(window.location.protocol.length));</script>
而且这段代码在最初的页面内是没有的，说明是被别的js动态加载进来的。所以我就选择其中的一段代码‘location.protocol‘，在其余几个可疑的js文件内搜索，遗憾的是没有找到。
另外本来想使用js的debug功能，奈何一到dubug页面，浏览器就未响应！！！
最后没有办法，我就直接在目标文件上选择性的注释js引入，可疑的js文件都被注释掉了，却发现任然存在重定向！！！最后，只剩下一个google相关的js，把那个js注释掉，重定向终于消失了！那段js代码大概如下：
<script>(function(w,d,s,l,i){w[l]=w[l]||[];w[l].push({'gtm.start':
new date().gettime(),event:'gtm.js'});var f=d.getelementsbytagname(s)[0],
j=d.createelement(s),dl=l!='datalayer'?'&l='+l:'';j.async=true;j.src=
'https://www.googletagmanager.com/gtm.js?id='+i+dl;f.parentnode.insertbefore(j,f);
})(window,document,'script','datalayer','gtm-npvh4qz');</script>
本来以为这段代码就像google分析那样的一些没啥影响的google服务，结果却让人有点意外！可能是出于安全的考虑把。
到这里，重定向也解决！
主要部分python代码
import requests
import os
from bs4 import beautifulsoup
# author: asche
# date: 2019年7月6日
print('shopify start...')
base_url = 'https://avada.io'
headers = {'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/75.0.3770.100 safari/537.36',
'cookie': '__cfduid=db73a1a3b63a54e86f435f615f5ec37791562300679; _ga=ga1.2.1048718546.1562300686; _gid=ga1.2.312498482.1562300686',
'accept': '*/*', 'accept-encoding': 'gzip', 'accept-language': 'en-us,en;q=0.9,zh-cn;q=0.8,zh;q=0.7,mt;q=0.6'}
def gethtml(url):
req = requests.get(url, headers=headers)
return req.text
def savefile(name, dir, content):
folder = os.path.exists(dir)
if not folder:
os.mkdir(dir)
with open( dir + '/' + name.replace('/', '_') + '.html', 'w', encoding='utf-8') as f:
f.write(content)
def crawlsubpage(url, dir):
subpage = requests.get(url, headers=headers)
# print(strhome.headers)
soup = beautifulsoup(subpage.content, 'lxml')
print(soup.title)
titles = soup.select('div.collection a')
for title in titles:
print(title.text, title['href'])
savefile(title.text, dir, gethtml(title['href']))
strhome = requests.get(base_url, headers=headers)
# print(strhome.text)
print(strhome.headers)
soup = beautifulsoup(strhome.content, 'lxml')
# print(soup.prettify)
print(soup.title)
titles = soup.select('h3.header a')
for title in titles:
print(title.text, title['href'])
crawlsubpage(title['href'], title.text)