WebSocket反爬虫

WebSocket 侧重点在Socket。在客户端与服务器之间交换数据，当两者连接成功时,就可以保持长期连接，服务器可以直接向客户端推送数据，无需通过客户端发送多次请求。

  对于某些网站，服务器需要给客户端（浏览器）不断更新信息，对于这些实时更新的信息（如：服务器每1秒推送一次），大多以WebSocket技术为主。

  在请求网站时，当网页一加载，在请求中，可以发现状态为101，Type 为 websocket 的响应中，在其Messages中，首先看到客户端改善1条或n条信息给服务器，之后服务器就给客户端不停的推送信息，在此期间，客户端也会在一段时间（如：3秒）内给服务器发送信息，用来确认客户端还在再服务器连接，如下图。

  而每次服务器推送回来的数据正是我们想要的信息。此时不得不去探究。

WebSocket 特点：

1. URL地址以 ws 或 wss 开头；
2. 数据在Messages中不停的推送与验证；
3. 请求/响应头信息：

• 请求头：

Connection: Upgrade
Upgrade: websocket
Sec-WebSocket-Extensions: permessage-deflate; client_max_window_bits
Sec-WebSocket-Key: hsbccunVBv4NEdroi/OWcw==
Sec-WebSocket-Version: 13

           

• 响应头：

Connection: upgrade
Upgrade: WebSocket
Date: Sun, 15 Mar 2020 13:57:23 GMT
Sec-WebSocket-Accept: ELbu6ydVcJK2fT0RwiV1TvYTJ7g=
           

  ++相比平常的请求/响应头信息，它们多出以上信息。++

Connection: Upgrade
Upgrade: websocket
           

  声明这是一个websoket协议。

Sec-WebSocket-Extensions: permessage-deflate; client_max_window_bits
Sec-WebSocket-Key: hsbccunVBv4NEdroi/OWcw==
Sec-WebSocket-Version: 13

Sec-WebSocket-Accept: ELbu6ydVcJK2fT0RwiV1TvYTJ7g=
           

  用来验证客户端与服务器之间的验证。

WebSocket 简单说明：

• 服务器：

    在服务器中，服务器创建socket服务，使服务器监听客户端发送的请求，当客户端给服务器发送请求（握手请求）后，服务器将请求的信息进行验证，如果验证成功，返回101，并与客户端建立连接，这时客户端与服务器之间就可以互相通信，否则其它操作（403）。

• 客户端：

    在客户端中，客户端按照WebSocket规范生成请求信息（握手信息），并向服务器发送请求，然后对服务器读取服务器响应信息，最后验证客户端与服务器的握手结果。

爬虫采集（Python）：

  对于此类，爬虫如何去采集数据呢？代码中难点无非是怎样保持连接、消息发送与连接。

  在Python中，我们常使用的urllib、requests等库已经无法满足要求。但是对强大Python中，怎么可能没有解决的呢。

  Python中连接 WebSocket的库有很多，但是易用、稳定的有 websocket-client(非异步)、websockets(异步)、aiowebsocket（异步）。这里推荐使用aiowebsocket。Github

WebSocket 争对爬虫：

  相比平常的网站，Socket技术在爬虫上面已经是一个坎。但是这个坎不是太深，要想挖更深的坎，需要与JavaScript或其它技术的结合。让爬虫工程师觉得成本>信息。

• 挖深坑方式：

  1. 添加请求时信息验证难度。

   如：在URl中添加加密信息，在请求中添加加密信息

  2. 在握手成功之后添加信息验证。

   如：连接成功之后，需要客户端发送给服务加密信息验证

  3. 连接成功后，连接中期间不时添加信息客户端消息验证。

   如：连接成功之后，服务器可以向客户端正常发送信息，但是需要客户端每隔断时间给服务器发送信息。

WebSocket Ping

  WebSocket 的保持长时间有忧点也有缺点，就是在长时间连接上，耗费的资源比较大，为了解决这个问题，所以WebSocket Ping产生了。

  WebSocket 协议规范约定，服务器可以向客户端发送Ping帧，当客户端收到Ping时应当回复Pong帧。如果客户端不回复或者回复的并不是Pong帧，那么服务器就可以认为客户端异常，主动关闭连接。WebSocket Ping以接收/回复的方式，使其在工作性能上优于WebSocket。

参考文章：

Websocket原理

基于websocket爬虫