Node.JS教程58：开发一套反爬虫系统！

爬虫，网络安全最大的威胁之一！

根据爬取数据类型而分，爬虫有不少种类，比如爬取Email地址的、爬取商品价格的、爬取图片的，而最多的是爬取内容的，内容数据爬虫是为泛滥的！

爬虫让很多人对其深感苦恼，今天的Node.JS实战，将实现一种防护性能很强的反爬虫系统。

首先展示防护效果，然后付上完整代码，以了解实现方法。

防护效果展示

根据两个核心思路进行效果展示如下：

1、字体加密

创建自定义字体库，将字体进行加密。

举一个最直白的例子：

比如要在网页中显示文字：“我是我，你是你，她是她”，在正常的情况下，网页中就是存在这几个字，爬虫当然可以爬取。

我们要实现的效果是，让这几个字不存在，网页源码中可能是：

但是在网页中可以正常显示：

但是却不可复制，复制后，全部或部分内容将不能正常显示：

2、字体防破解

单纯的字体加密，是不太难被破解的，因为上述的“密文乱码符号”，其实也就是一种对应关系，例如：“A”对应“啊”，“B”对应“不”。只要获得足够的对应关系，替换就可以破解还原出原内容。

具体实施时，可以从网页中获取字体文件。

如TTF，通过格式转换，化为TTX，即可得到对应关系。

也可以手动记录对应关系。

那么对于这两种破解，我们也需要进行防护。

1、防止字体文件被下载；

动态字体路径：

注意以下两图，不同的字体路径：

即：每次访问都是不同的字体路径，而且，此动态路径文件是不可下载的：

当然，文件的正常使用是不受影响的。

2、使用动态对应关系，防止字体对应被获取。

我们内置一套系统，自动或手动实现编码变化：

以下两图，两种不同的编码展示，前面部分是编码，后面是对应的字：

源码展示

实现以上功能的代码并不复杂，本例由两个文件，一个目录组成：

acs.js是主文件，内容如下：

/**
* Anti Content Splider
* Auther:WangLiwen
* www.jshaman.com
*/

var fs = require('fs')
var font_carrier = require("font-carrier")
var body_parser = require("body-parser")
var mime = require("mime");

//变码矩阵，存放字和unicode的对应关系
var transfer_result = require("./config").tramsform_matrix;

/** 
* TTF变码
* 基于一种字体，生成另一种新字体
* 参数：ttf，原始字体
* 参数：words，要变码的字
* 参数：new_ttf，新的字体
* 返回值：新字体中，unicode和字的对应关系 
*/
function transform_ttf(ttf,words,new_ttf){

//创建新的空字体
	var font = font_carrier.create()

//从ttf字体中获取文字
	var font_transfer = font_carrier.transfer(ttf)

if(words.length==0){
		return{};
	}

var result={};

var key,value,word;
	//遍历传入的参数：要变码的字体
	for(var i=0;i<words.length;i++){

//新的unicode
		key="‚"+i;
		//unicode对应的字
		value=words[i];
		//字形
		word=font_transfer.getGlyph(words[i]);

//加入到新字体中
		font.setGlyph(key,word);

//输出信息
		result[key]=value;
	}

//输出各种字体文件
	font.output({
		path:new_ttf
	})

//返回值
	return result;
}

/**
* express web
*/
var express = require('express');
var app = express();
app.use(body_parser.urlencoded({extended: true}));

var port = 8000;
var verstion = "0.0.1";
app.listen(port);
console.log("anti content splider");
console.log("v",verstion);
console.log("server at port:",port);
console.log("auther:","wangliwen");
console.log("copyleft","http://www.jshaman.com");

//变型url特征池，存放要保护的ttf路径，使ttf路径不泄露
var transform_url = [];

//express中间件
app.use(function(req,res,next){

console.log(req.url,req.method);

if(req.method.toString().toLowerCase() == "get"){
		//只处理get请求

//url
		var url = req.url;

//首页访问
		if(url == "/"){
			url = "./admin/index.html"
		}else{
			url = "./admin" + url;
		}

//变形url池
		console.log(transform_url);

//把变形的url路径还原回去
		for(var i=0; i<transform_url.length; i++){

//当前url，是否包含有变形池中的某条特征内容
			if(url.indexOf(transform_url[i]) != -1){

//当前时间
				var visit_time = (new Date).getTime();

//访问时间 - 生成时间变量
				console.log((visit_time - transform_url[i]))

//超过一定时间访问，视为非法
				//原理：打开html时，会立刻引用页面中引用的ttf，时间间隔不会超过100毫秒
				if((visit_time - transform_url[i]) > 100){
					res.end("oooops");
					return;
				}

//还原路径
				url = url.replace(new RegExp(transform_url[i],"g"), "font_dest");
				console.log("before:",transform_url)

//删除使用过的时间变量
				delete transform_url[i];
				transform_url.splice(i,1);

console.log("after:",transform_url)
			}
			
		}

//真实地址
		console.log("really url:",url);

//读取文件内容
		var file_content = fs.readFileSync(url)

//测试html文件
		if(url.indexOf("/test.html") !=- 1){
			//如果是此html文件，则对文件中的原始字体路径做保护

//网页源码
			file_content = file_content.toString();

//遍历变码矩阵，对网页中的文字进行变码
			for (var index in transfer_result){
				console.log(index,transfer_result[index]);
				
				//正则全局替换
				file_content = file_content.replace(new RegExp(transfer_result[index],"g"), index+";");
			}

var count = (file_content.split('font_dest')).length - 1;
			console.log("replaced:",count);

//以时间做为参照值
			var time_parm = (new Date).getTime();
			//字体路径保护，将正确路径font_dest替换为时间值
			file_content = file_content.replace(new RegExp("font_dest","g"), time_parm);
			
			//存入变型url特征池
			for(var i=0; i<count; i++){
				transform_url.push(time_parm);
			}
							
		}

//内容head，写入mime
		res.writeHead(200,{"content-type":mime.getType(url)});
		console.log(url, "mime:", mime.getType(url));

//内容
		res.write(file_content); 
		
		res.end();  
		
	}else{
		//get之外请求
		next();
	}
})

//post操作
app.post("/transform_ttf",function(req,res){
	console.log(req.body);

//前端传入的、要变码的字
	var transform_words = req.body.transform_words.toString().split(",");

//默认变码符号
	transform_words.push("。");

//源和目标字体目录
	var ttf = "./admin/font_src/" + req.body.font_src;
	var new_ttf = "./admin/font_dest/" + req.body.font_dest;

//变码结果
	transfer_result = transform_ttf(
		ttf,
		transform_words,
		new_ttf
	);

console.log(transfer_result);

//写入文件，给其名称：变码矩阵
	fs.writeFileSync("./config.js","exports.tramsform_matrix="+ JSON.stringify(transfer_result));
	res.send("transform complete!");
});

/**
* express，结束
*/

代码中已有详细注释。

config.js是字体编码与文字对应关系，源码中称为“变码距阵”，内容如下：

注：当进行动态变码操作时，此文件内容会发生变化。

admin目录下，是几个静态网页文件：

index.html内容如下：

test.html是用于测试，展示变码效果的文件，内容如下：

以上，是完整的动态字体变码加密反爬虫方案，出自于JShaman.com。