【奇技淫巧】猥琐方法获取防爬虫网页源码

0x00 引言
最近在整理一些搜索引擎的python脚本时，发现现在有很多引擎都不能直接通过urllib或者requests库来获取了，因为有很多网页采取了动态js以及防爬虫的措施，比如bing、zoomeye，虽然他们都提供了api来给你用，但还是有些不爽，比如bing限制了一个月5000条，zoomeye是只显示100条。那么这样就能拦住我们这些脚本小子了？那我们和普通网民有什么区别，不行，总得想想办法。

0x01 思路
楼主还是想过一些高大上的方法的，比如selenium加phantomjs，楼主试了，他能对付必应，但还是被zoomeye拦截了。于是楼主换成了selenium加chrome,发现还是不行，我凑。后来发现selenium这些包均是利用了chrome remote debugging protocol协议和浏览器通讯，于是尝试直接使用这个协议来操作浏览器，有兴趣的可以网上搜索相关关键词。大概原理是这样的：
1.开启chrome debug模式 .chrome --remote-debugging-port=9222
2.使用chrome remote debugging protocol里提供的方法来和浏览器通讯
3.通讯协议使用websocket
经过以上尝试，楼主只研究到了打开一个网址的地方，后续会继续琢磨一下，搞好了再来分享，这里先分享一个猥琐的方法：
我们都知道，手工获取源码是非常简单的，crtl+s就完事了。。。不管你什么措施，除非你不想让浏览器打开，就算你以后防止浏览器打开源码，我们还有devtools，你也想防吗？那么好的，我们来模拟键盘完成这个程序，其实这个用vbs实现很简单，不过楼主python习惯了，还是用这个吧。

0x03 实现
模拟步骤：
1.打开chrome
2.打开网址
3.ctrl + s
4.输入保存文件名
5.确认保存
中间加入一些缓冲时间。
代码如下：

import win32com.client import webbrowser import time  def get_source(search_key):         search_words = search_key         file_list = []         shell = win32com.client.Dispatch("WScript.Shell")          shell.run("chrome.exe",1)         time.sleep(5)         shell.AppActivate("chrome.exe")         for x in range(1,3):                 url = 'https://www.zoomeye.org/search?q=%s&t=host&p=%s' % (search_words,x)                 filename = "mytest_%s.html" % x                 webbrowser.open(url)                 time.sleep(5)                 shell.SendKeys("^s")                 time.sleep(1)                 shell.SendKeys(filename)                 time.sleep(0.5)                 shell.SendKeys("~")                  time.sleep(0.5)                 shell.SendKeys("~")                 time.sleep(2)                 file_list.append(filename)         return file_list  if __name__ == '__main__':         get_source('ftp idc')

（这里因为楼主电脑使用了搜狗输入法，所以需要发送两个enter键，一个是确认输入，一个是确认保存，如果你的输入法不需要确认输入，就删掉一个。然后chrome设置为默认浏览器，并将chrome.exe路径加入path）
使用前，可以手动保存选择一下想保存的路径，虽然也可以使用python实现。这样我们就获取了源码，后面使用soup或者re来获取url就不愁找不到想要的信息了。楼主电脑很破，上面打开chrome以及其他缓冲时间都设置的有些许长，可以根据主机性能设置。
运行这个脚本需要Python for Windows Extensions，你可以在这里找到：
https://sourceforge.net/projects ... ywin32/Build%20220/
装了之后，你就可以用python写一些类似vbs的脚本了。

0x04 小结
以上分享了一个模拟键盘的方法，来获取网页源码源码。演示代码，比较丑陋。优点：轻松绕过所有防爬，实现原理简单，不需要注册api，也不需要登录。缺点：程序运行时，不能乱动键盘和鼠标，实现技术太不hacker了。但这种简单的方法其实是可以用到很多地方的，发挥你的想象力。好了，可以交作业了，见笑。

本文始发于微信公众号（T00ls）：【奇技淫巧】猥琐方法获取防爬虫网页源码