selenium反爬機制

使用selenium模擬瀏覽器進行數據抓取無疑是當下最通用的數據采集方案，它通吃各種數據加載方式，能夠繞過客戶JS加密，繞過爬蟲檢測，繞過簽名機制。它的應用，使得許多網站的反采集策略形同虛設。由於selenium不會在HTTP請求數據中留下指紋，因此無法被網站直接識別和攔截。

這是不是就意味着selenium真的就無法被網站屏蔽了呢？非也。selenium在運行的時候會暴露出一些預定義的Javascript變量（特征字符串），例如"window.navigator.webdriver"，在非selenium環境下其值為undefined，而在selenium環境下，其值為true（如下圖所示為selenium驅動下Chrome控制台打印出的值）。

除此之外，還有一些其它的標志性字符串（不同的瀏覽器可能會有所不同），常見的特征串如下所示：

webdriver
__driver_evaluate
__webdriver_evaluate
__selenium_evaluate
__fxdriver_evaluate
__driver_unwrapped
__webdriver_unwrapped
__selenium_unwrapped
__fxdriver_unwrapped
_Selenium_IDE_Recorder
_selenium
calledSelenium
_WEBDRIVER_ELEM_CACHE
ChromeDriverw
driver-evaluate
webdriver-evaluate
selenium-evaluate
webdriverCommand
webdriver-evaluate-response
__webdriverFunc
__webdriver_script_fn
__$webdriverAsyncExecutor
__lastWatirAlert
__lastWatirConfirm
__lastWatirPrompt
$chrome_asyncScriptInfo
$cdc_asdjflasutopfhvcZLmcfl_

了解了這個特點之后，就可以在瀏覽器客戶端JS中通過檢測這些特征串來判斷當前是否使用了selenium，並將檢測結果附加到后續請求之中，這樣服務端就能識別並攔截后續的請求。

下面講一個具體的例子。

鯤之鵬的技術人員近期就發現了一個能夠有效檢測並屏蔽selenium的網站應用：大眾點評網的驗證碼表單頁，如果是正常的瀏覽器操作，能夠有效的通過驗證，但如果是使用selenium就會被識別，即便驗證碼輸入正確，也會被提示“請求異常,拒絕操作”，無法通過驗證（如下圖所示）。

分析頁面源碼，可以找到 https://static.meituan.net/bs/yoda-static/file:file/d/js/yoda.e6e7c3988817eb17.js 這個JS文件，將代碼格式化后，搜索webdriver可以看到如下代碼：

 可以看到它檢測了"webdriver", "__driver_evaluate", "__webdriver_evaluate"等等這些selenium的特征串。提交驗證碼的時候抓包可以看到一個_token參數（很長），selenium檢測結果應該就包含在該參數里，服務端借以判斷“請求異常,拒絕操作”。

現在才進入正題，如何突破網站的這種屏蔽呢？

我們已經知道了屏蔽的原理，只要我們能夠隱藏這些特征串就可以了。但是還不能直接刪除這些屬性，因為這樣可能會導致selenium不能正常工作了。我們采用曲線救國的方法，使用中間人代理，比如fidder, proxy2.py或者mitmproxy，將JS文件（本例是yoda.*.js這個文件）中的特征字符串給過濾掉（或者替換掉，比如替換成根本不存在的特征串），讓它無法正常工作，從而達到讓客戶端腳本檢測不到selenium的效果。

下面我們驗證下這個思路。這里我們使用mitmproxy實現中間人代理），對JS文件（本例是yoda.*.js這個文件）內容進行過濾。啟動mitmproxy代理並加載response處理腳本：

mitmdump.exe -S modify_response.py

其中modify_response.py腳本如下所示：

# coding: utf-8
# modify_response.py

import re
from mitmproxy import ctx

def response(flow):
  """修改應答數據
  """
  if '/js/yoda.' in flow.request.url:
      # 屏蔽selenium檢測
      for webdriver_key in ['webdriver', '__driver_evaluate', '__webdriver_evaluate', '__selenium_evaluate', '__fxdriver_evaluate', '__driver_unwrapped', '__webdriver_unwrapped', '__selenium_unwrapped', '__fxdriver_unwrapped', '_Selenium_IDE_Recorder', '_selenium', 'calledSelenium', '_WEBDRIVER_ELEM_CACHE', 'ChromeDriverw', 'driver-evaluate', 'webdriver-evaluate', 'selenium-evaluate', 'webdriverCommand', 'webdriver-evaluate-response', '__webdriverFunc', '__webdriver_script_fn', '__$webdriverAsyncExecutor', '__lastWatirAlert', '__lastWatirConfirm', '__lastWatirPrompt', '$chrome_asyncScriptInfo', '$cdc_asdjflasutopfhvcZLmcfl_']:
          ctx.log.info('Remove "{}" from {}.'.format(webdriver_key, flow.request.url))
          flow.response.text = flow.response.text.replace('"{}"'.format(webdriver_key), '"NO-SUCH-ATTR"')
      flow.response.text = flow.response.text.replace('t.webdriver', 'false')
      flow.response.text = flow.response.text.replace('ChromeDriver', '')

在selnium中使用該代理(mitmproxy默認監聽127.0.0.1:8080)訪問目標網站，mitmproxy將過濾JS中的特征符串，如下圖所示：

經多次測試，該方法可以有效的繞過大眾點評的selenium檢測，成功提交大眾點評網的驗證碼表單。