Cloudflare被动反爬技术
Cloudflare如何检测爬虫？
Cloudflare的反爬可以分为两类： 被动 和 主动。被动爬虫检测技术包括后端执行的指纹检查等，而主动检测技术依赖于浏览器执行的检查。以下是我在爬取过程中发现的Cloudflare采用的一些检测方案：
僵尸网络检测
Cloudflare维护着已知与恶意爬虫相关的设备、IP地址和行为模式的目录。
顶级黑名单中的设备会被永远禁止访问。次级黑名单（如代理、翻墙软件的节点）可能需要通过验证码、用户行为检测等验证。
IP地址信誉（风险评分）
用户的IP地址信誉（类似浏览器的反诈功能）基于地理位置、ISP和历史访问记录等多个因素生成。
例如，属于数据中心或已知VPN提供商的IP，必定会产生大量非人类请求，因此，这些节点的声誉将比住宅IP地址差。
站点还可以选择限制从其服务区域以外的区域访问站点，因为目标客户的流量不应来自那里（例如日本本土的迪士尼商城不会为日本地区外的用户提供服务，用户请求会被直接阻止）
HTTP 请求头
Cloudflare使用HTTP请求头中的 User-Agent 字段来确定是否为机器人。如果请求头中的User-Agent不是浏览器用户的UA，例如 python-requests/2.22.0 ，会被标记为机器人。
如果请求缺少浏览器中存在的标头，或者标头与浏览器不匹配，例如Firefox中产生了sec-ch-ua-full-version-list（Chrome特性）标头，爬虫仍会被识别。
TLS指纹识别
这种技术使 Cloudflare 的反机器人能够轻松识别客户端是否合法，对于python来说比较致命，因为python的ssl库无法完全更改tls指纹（椭圆曲线部分，见下方内容）
有多种TLS指纹识别方法（如JA3、JARM和CYU），每个实现都会生成一个独一无二的客户端的静态指纹。
TLS指纹识别非常具有杀伤力，因为同一浏览器同一版本的指纹相同，但浏览器不同版本之间的TLS指纹、和requests库的实现不同，因此Cloudflare很有可能只维护了很小一段的白名单指纹。
TLS 指纹的构造发生在 TLS 握手期间。首先，客户端会在握手时发送一个hello消息：
打开Wireshark抓取的包，我们可以看到其中包括TLS版本、密码套件、扩展，还有椭圆曲线参数等，以计算给定客户端的哈希值。
接下来，cloudflare会在预先收集的指纹库中查找该哈希，判断是否在白名单内。假设客户端的指纹hash与允许的指纹hash（即浏览器的指纹）匹配。在这种情况下，Cloudflare会将客户端请求中的UA与存储的指纹hash关联的UA进行比较。
如果它们匹配，则安全系统假定请求源自标准浏览器。如果客户端的TLS指纹与请求的UA不匹配，则请求明显是来源于爬虫。
HTTP/2 指纹识别
HTTP/2 是HTTP2.0协议版本，于 2015 年 5 月 14 日发布，目前所有主流浏览器都支持该协议，python中的requests库依然无法有效进行应对
http2的主要目标是通过引入header压缩和多路复用来提高web性能。因此为了拓展，HTTP/2 中的消息由帧组成，有十种不同用途的帧，帧始终是流的一部分。
我们从http2的第一帧看起，SETTINGS是客户端发送的第一帧，里面有一些特殊配置：
Chrome
PYTHON
很明显，其中的差异可以用作指纹生成
http2在http1.1的基础上添加了新的参数和值。我们都知道，http的header包含客户端的确切版本，虽然可用于识别客户端，但是很容易被任何http库或其他工具伪造！而在http2中，虽然header一样可以伪造，但是下列伪标头在不同客户端的顺序中是不一样的
:method:authority:scheme:path
这同样可以用作反爬！
另外，http2为了改善客户端的接收环境，声明了一个类似tcp窗口的流窗口大小，因此，这同样可以构成指纹的一部分
下面是详细的可以用作指纹的内容：
- http2帧：
SETTINGS_HEADER_TABLE_SIZE，SETTINGS_ENABLE_PUSH，SETTINGS_MAX_CONCURRENT_STREAMS，SETTINGS_INITIAL_WINDOW_SIZE，SETTINGS_MAX_FRAME_SIZE，SETTINGS_MAX_HEADER_LIST_SIZE，WINDOW_UPDATE - http流信息：
StreamID:Exclusivity_Bit:Dependant_StreamID:Weight - 伪标头字段的顺序：
:method:authority:scheme:path
与 TLS 指纹识别一样，每个客户端都将具有静态 HTTP/2 指纹，Cloudflare 会始终验证请求中的指纹是否与存储在其数据库中的白名单对匹配。
下一篇文章讲讲主动反爬
