搜狗微信的反爬虫策略又升级了

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 3334 天前的主题，其中的信息可能已经有所发展或是发生改变。

继前不久升级反爬策略以后，又来了一次打升级，躺枪一片，非登陆情况下，新的策略使用了服务端生成验证串的方式，要破解很难，除非能破解加密算法了。大家有什么研究？

反爬虫

策略

破解

升级

35 条回复 • 2016-01-29 14:42:10 +08:00

pc10201

2015-10-10 13:13:35 +08:00

用浏览器模拟，加大量代理 IP

macroideal

2015-10-10 13:17:46 +08:00

道高一尺, 魔高一丈

macken

2015-10-10 13:24:19 +08:00

@pc10201 不是模拟的问题

ljcarsenal

2015-10-10 13:53:34 +08:00 via Android

为什么都要做微信相关的爬取呢

skip11

2015-10-10 13:53:52 +08:00

1.登录
2.模拟浏览器获取那个串

我也是昨天才发现临时更新的算法

macken

2015-10-10 13:54:06 +08:00

@ljcarsenal 好玩

macken

2015-10-10 13:55:16 +08:00

@skip11 国庆期间更新的登录是一个方法，那个串是与帐号相关的，获取以后再抓取数据成本太高了

sohoer

2015-10-10 13:58:40 +08:00

我不知道是不是通过搜狗抓取，如果是那就是 ext 这个参数，这个参数会失效需要隔段时间获取一次

skip11

2015-10-10 14:00:35 +08:00

@macken 我有几天没看了，我是自己抓过来离线读，具体什么时候更新的不是很清楚，@sohoer,楼主应该说的就是 ext ，失效模拟一下就好了，目前还不难，不知道搜狗后续会更新什么手段

Moker

2015-10-10 14:02:31 +08:00

前端时间就不行了
加代理 IP 和降低频率目前估计只能这样

macken

2015-10-10 14:42:40 +08:00

@sohoer @skip11 是 ext,怎么模拟？我试过用搜索的方式获得 ext ，但是这种方法太麻烦了

johnsneakers

2015-10-10 15:38:31 +08:00

现在就是一个 302 而已,你多请求一次拿到 302 的地址就可以了

johnsneakers

2015-10-10 15:41:14 +08:00

(PHP 版本)粘贴即可看到效果:

$url = "http://weixin.sogou.com/websearch/art.jsp?sg=CBf80b2xkgbhjl0x-hNnSEuCKYJJPsg_h-OjrOxHjU_vFtJfSKnjpz19wNWA5ILUTtJveGGSfLC6VBIRlwc6srq5lrLZ5gXykqfIRjtZWiJm_nQjhF6DEb6_H-c9J_ZynM4JG0XEf_vu4a6BXqY6ow..&url=p0OVDH8R4SHyUySb8E88hkJm8GF_McJfBfynRTbN8wisH87qPWS2UFAFG9qAbOBeXY6RLCSg2kRDYt5ROwiYPFLvkvBrfA0sgKbswv_WSNpL5BYLq2cVN2huY78d2DfqLtelzlOATJZYy-5x5In7jJFmExjqCxhpkyjFvwP6PuGcQ64lGQ2ZDMuqxplQrsbk";
echo sogou_weixin($url);

function sogou_weixin($url) {

$ch = curl_init();
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_POST, 1);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);
$data = curl_exec($ch);
$Headers = curl_getinfo($ch);
curl_close($ch);
if ($data != $Headers)
return $Headers["url"];
else
return false;
}

macken

2015-10-10 17:01:24 +08:00

@johnsneakers 恩，这是上一次升级后出现的问题，这次升级增加了 ext 验证

fishlee

2015-10-10 17:18:57 +08:00 via Android

还没试过这方法，有空搞搞看

johnsneakers

2015-10-10 18:10:02 +08:00

@macken 我刚试了，是可以的

macken

2015-10-10 18:40:55 +08:00

@johnsneakers 这种方式是可以拿到最终的文章 url 的，我遇到的问题是直接访问 http://weixin.sogou.com/gzh?openid=oIWsFtzDjnBIlyxXFCgp7hAApCeM 是无法访问的，必须是这种方式才可以访问 http://weixin.sogou.com/gzh?openid=oIWsFtzDjnBIlyxXFCgp7hAApCeM&ext=Uc8g8yaxQpH6htELFQfGDr3PzTLZg-34eXRrntsODlbP32F_9hAQlNM8VKlUG_IA url 里面的 ext 是刚加的验证机制

yepinf

2015-10-10 21:42:51 +08:00

之前用 qwebkit 爬，一直很稳定
换工作之后，就没继续做下去了

icedx

2015-10-10 21:43:27 +08:00

搜狗微信是啥?

blue7wings

2015-10-11 10:39:52 +08:00

我在想， sogou 的微信数据是官方给的嘛。。。

macken

2015-10-11 11:03:07 +08:00

@yepinf 估计悬了。。

macken

2015-10-11 11:03:40 +08:00

@blue7wings 应该是的腾讯也投资搜狗了

macken

2015-10-11 11:03:51 +08:00

@icedx weixin.sogou.com

icedx

2015-10-11 14:16:40 +08:00

@macken Thx

cai314494687

2015-10-12 21:56:05 +08:00

@johnsneakers 提示：当前请求已过期，请点击重新加载是什么回事？

johnsneakers

2015-10-13 09:55:34 +08:00

@cai314494687 url 地址换一个就好

cai314494687

2015-10-13 10:01:47 +08:00

@johnsneakers 请问一下改怎么换呢？我是通过爬取 http://weixin.sogou.com/gzhjs?openid=oIWsFt4YT884orutM3sne681o2co&ext=zMKRwhGG3zZOnYCeHMnEci1yfDOlbZgBQ_oiWPuAPHxvHeZHYNj946dNdLiB9Uz3&cb=sogou.weixin.gzhcb&gzhArtKeyWord=&page=1&t=1444701724118 获取到 URL 里面地址的

johnsneakers

2015-10-13 10:56:06 +08:00

@cai314494687 哦，我和你不一样。我爬的是搜索页，取搜索结果列表里面的 url

bowbright

2015-11-15 16:40:37 +08:00

@skip11
1.登录
2.模拟浏览器获取那个串
具体能展开说说么

bowbright

2015-11-15 16:52:08 +08:00

@johnsneakers 实验了你的代码，取到的 data 好像现在不对了。
<html>
<head><title>400 Bad Request</title></head>
<body bgcolor="white">
<center><h1>400 Bad Request</h1></center>
<hr><center>nginx</center>
</body>
</html>

g080166

2016-01-11 15:46:31 +08:00

请问这个问题后来有解决方案了吗？

g080166

2016-01-11 15:47:10 +08:00

搜狗一旦弄得多了，就让我输入验证码，已经被搞疯了，想问下有好心人提供下解决方案吗？

ACzero

2016-01-19 16:30:31 +08:00

@g080166 搜狗对采集限制比较严格，用 ip 代理可以解决

g080166

2016-01-21 11:26:18 +08:00

@ACzero 谢谢你的回答。我想问下用 ip 代理的话，会不会不稳定？另外，搜狗微信方面是否对这部分代理 ip 进行甄别？

ACzero

2016-01-29 14:42:10 +08:00

@g080166 可以去抓一些免费的代理 ip ，有不少都是每日或者每小时更新的，当然这些代理 ip 只有部分能用，提高采集频率就行