В чем разница в доступе к веб-сайту Cloudflare с помощью ChromeDriver/Chrome в обычном / безголовом режиме через Selenium Python

У меня есть вопрос о --headless режим в Python Selenium для Chrome.

Код

 from selenium import webdriver
 from selenium.webdriver.common.desired_capabilities import DesiredCapabilities

 CHROME_DRIVER_DIR = "selenium/chromedriver"

 chrome_options = webdriver.ChromeOptions()
 caps = DesiredCapabilities().CHROME
 chrome_options.add_argument("--disable-dev-shm-usage")
 chrome_options.add_argument("--remote-debugging-port=9222")
 chrome_options.add_argument("--headless")  # Runs Chrome in headless mode.
 chrome_options.add_argument('--no-sandbox')  # # Bypass OS security model
 chrome_options.add_argument("--disable-extensions")
 chrome_options.add_argument("--disable-gpu")

 browser = webdriver.Chrome(desired_capabilities=caps, executable_path=CHROME_DRIVER_DIR, options=chrome_options)

 browser.get("https://www.manta.com/c/mm2956g/mashuda-contractors")
 print(browser.page_source)
 browser.quit()

Когда я удаляю chrome_options.add_argument("--headless") все работает хорошо, но с этим --headless* получил следующий выпуск

Please enable cookies.

Error 1020 Ray ID: 53fd62b4087d8116 • 2019-12-04 11:19:28 UTC

Access denied

What happened?
This website is using a security service to protect itself from online attacks.

Cloudflare Ray ID: 53fd62b4087d8116 • Your IP: 168.81.117.111 • Performance & security by Cloudflare

В чем разница для нормального режима и --headless?

5 ответов

Решение

Я взял ваш код, удалил необязательные аргументы и добавил несколько аргументов для выполнения теста следующим образом:

  • Блок кода:

    from selenium import webdriver
    from selenium.webdriver.common.by import By
    from selenium.webdriver.support.ui import WebDriverWait
    from selenium.webdriver.support import expected_conditions as EC
    
    options = webdriver.ChromeOptions() 
    options.add_argument("start-maximized")
    options.add_argument("--headless")
    options.add_experimental_option("excludeSwitches", ["enable-automation"])
    options.add_experimental_option('useAutomationExtension', False)
    driver = webdriver.Chrome(options=options, executable_path=r'C:\Utility\BrowserDrivers\chromedriver.exe')
    driver.get("https://www.manta.com/c/mm2956g/mashuda-contractors")
    print(driver.page_source)
    driver.quit()
    
  • Консольный вывод:

    <html class="js" lang="en-US" style="opacity: 1; visibility: visible;"><!--<![endif]--><head>
    <title>Access denied | www.manta.com used Cloudflare to restrict access</title>
    <meta charset="UTF-8">
    <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=Edge,chrome=1">
    <meta name="robots" content="noindex, nofollow">
    <meta name="viewport" content="width=device-width,initial-scale=1,maximum-scale=1">
    <link rel="stylesheet" id="cf_styles-css" href="/cdn-cgi/styles/cf.errors.css" type="text/css" media="screen,projection">
    <!--[if lt IE 9]><link rel="stylesheet" id='cf_styles-ie-css' href="/cdn-cgi/styles/cf.errors.ie.css" type="text/css" media="screen,projection" /><![endif]-->
    <style type="text/css">body{margin:0;padding:0}</style>
    
    
    <!--[if gte IE 10]><!--><script type="text/javascript" src="/cdn-cgi/scripts/zepto.min.js"></script><!--<![endif]-->
    <!--[if gte IE 10]><!--><script type="text/javascript" src="/cdn-cgi/scripts/cf.common.js"></script><!--<![endif]-->
    
    
    
    </head>
    <body>
      <div id="cf-wrapper">
        <div class="cf-alert cf-alert-error cf-cookie-error" id="cookie-alert" data-translate="enable_cookies">Please enable cookies.</div>
        <div id="cf-error-details" class="cf-error-details-wrapper">
          <div class="cf-wrapper cf-header cf-error-overview">
        <h1>
          <span class="cf-error-type" data-translate="error">Error</span>
          <span class="cf-error-code">1020</span>
          <small class="heading-ray-id">Ray ID: 53fd7c2fca12d5fc • 2019-12-04 11:36:52 UTC</small>
        </h1>
        <h2 class="cf-subheadline">Access denied</h2>
          </div><!-- /.header -->
    
          <section></section><!-- spacer -->
    
          <div class="cf-section cf-wrapper">
        <div class="cf-columns two">
          <div class="cf-column">
            <h2 data-translate="what_happened">What happened?</h2>
            <p>This website is using a security service to protect itself from online attacks.</p>
          </div>
    
    
        </div>
          </div><!-- /.section -->
    
          <div class="cf-error-footer cf-wrapper">
      <p>
        <span class="cf-footer-item">Cloudflare Ray ID: <strong>53fd7c2fca12d5fc</strong></span>
        <span class="cf-footer-separator">•</span>
        <span class="cf-footer-item"><span>Your IP</span>: 123.201.54.43</span>
        <span class="cf-footer-separator">•</span>
        <span class="cf-footer-item"><span>Performance &amp; security by</span> <a href="https://www.cloudflare.com/5xx-error-landing?utm_source=error_footer" id="brand_link" target="_blank">Cloudflare</a></span>
    
      </p>
    </div><!-- /.error-footer -->
    
    
        </div><!-- /#cf-error-details -->
      </div><!-- /#cf-wrapper -->
    
      <script type="text/javascript">
      window._cf_translation = {};
    
    
    </script>
    
    
    
    </body></html>
    

Анализ

Из извлеченного источника страницы довольно ясно, используя --headless аргумент, который вы переходите на страницу с:

  • Заголовок: Доступ запрещен | www.manta.com использовал Cloudflare для ограничения доступа.
  • Некоторая информация: Что случилось?: Этот веб-сайт использует службу безопасности для защиты от сетевых атак.

Вывод

Просмотр контекст т.е. браузера Chrome сессии становится детектируются как СЭП и навигация блокируется.


Outro

Вы можете найти пару соответствующих обсуждений в:

Это HTTP User-Agent заголовок, который не нравится Cloudflare.

Чтобы обойти эту проблему, просто измените свой user-agent вариант chrome (код ниже для Selenium в Python):

option.add_argument('--headless')
option.add_argument("user-agent=Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36")

Я тестировал этот серверный скрипт:

<?php
echo "<pre><code>";
var_dump($_SERVER);
echo "</code></pre>";
?>
<script>
    var el = document.getElementsByTagName('code')[0];
    for(var prop in window.navigator){
        var str = JSON.stringify(window.navigator[prop])
        el.innerHTML = el.innerHTML + "window.navigator." + prop + " = " + str + "\n";
    }
    var skip_props = ['parent', 'top', 'frames', 'self', 'window'];
    for(var prop in window){
        if (skip_props.indexOf(prop) > -1) { continue; }
        el.innerHTML = el.innerHTML + "window." + prop + " = ";
        var str = JSON.stringify(window[prop])
        el.innerHTML = el.innerHTML + str + "\n";
    }
</script>

Я загрузил эту страницу с помощью ChromeDriver, с использованием и без использования --headless, и распечатал результат, используя print(driver.find_element_by_tag_name('code').text). Затем я сравнил оба выхода.
Вот отличия, которые я обнаружил:

  • HTTP Accept-Language заголовок: en-US,en;q=0.9 против en-US
  • HTTP User-Agent заголовок: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36 против Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) HeadlessChrome/83.0.4103.61 Safari/537.36 (Обратите внимание HeadlessChrome упоминание во второй строке.)
  • Javascript window.navigator.plugins: {"0":{"0":{}},"1":{"0":{}},"2":{"0":{},"1":{}}} против {}
  • Javascript window.navigator.mimeTypes: {"0":{},"1":{},"2":{},"3":{}} против {}
  • Javascript window.outerWidth: 1367 против 0
  • Javascript window.outerHeight: 641 против 0

Обратите внимание: в опубликованном вами скрипте Python вам не хватает нескольких строк, чтобы удалить window.webdriverсвойство (без этого сервер может легко определить, что вы используете WebDriver) [ ref]:

driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
    "source": """
    Object.defineProperty(navigator, 'webdriver', {
      get: () => undefined
    })
  """
})

Cloudflare нацелен на блокировку ботов. Они предполагают, что браузер без головы используется парсерами данных, поэтому они его блокируют. от Cloudflare Что такое парсинг данных?

* Headless-браузер - это тип веб-браузера, очень похожий на Chrome или Firefox, но у него по умолчанию нет визуального пользовательского интерфейса, что позволяет ему работать намного быстрее, чем обычный веб-браузер. По сути, работая на уровне командной строки, безголовый браузер может избежать рендеринга целых веб-приложений. Сканеры данных пишут ботов, которые используют безголовые браузеры для более быстрого запроса данных, поскольку никто не просматривает каждую очищаемую страницу.

При парсинге защищенного CloudFlare веб-сайта вот список вещей, которые вам нужно сделать:

  1. Убедитесь, что вы отправляете заголовки, идентичные (и в том же порядке) тому, что отправляет браузер
  2. Убедитесь, что вы используете диапазон IP-адресов, не относящихся к центру обработки данных.
  3. А если все равно не получится, как в моем случае...

Я столкнулся с той же проблемой при очистке одного веб-сайта электронной коммерции (предположим, точка com). Изменение порядка заголовков не помогло мне. Мои выводы: судя по всему, CloudFlare анализирует TLS-отпечаток запроса и выдает код 403 (1020), если отпечаток совпадает с node.js/python/curl, которые обычно используются для парсинга. Решение состоит в том, чтобы эмулировать отпечаток пальца какого-нибудь популярного браузера, и наиболее очевидным способом будет использование Puppeteer.js с дополнительным скрытым плагином puppeteer. И это сработало! Но.. поскольку Puppeteer был недостаточно быстрым для моего варианта использования (мягко говоря..https://rapidapi.com/restyler/api/scrapeninja

Узнайте больше о том, как CloudFlare анализирует TLS:https://blog.cloudflare.com/monsters-in-the-middleboxes/

Другие вопросы по тегам