Question

我正在尝试抓取一个网站，无论我尝试什么，我都会收到403 Forbidden错误：

wget的
CURL（命令行和PHP）
Perl WWW :: Mechanize
PhantomJS

我尝试了以上所有代理，包括更改用户代理和添加引用标头。

我甚至从我的Chrome浏览器复制了请求标题，并尝试使用PHP Curl发送我的请求，但我仍然收到403 Forbidden错误。

有关触发网站阻止请求以及如何绕过的内容的任何输入或建议？

PHP CURL示例：

$url ='https://www.vitacost.com/productResults.aspx?allCategories=true&N=1318723&isrc=vitacostbrands%3aquadblock%3asupplements&scrolling=true&No=40&_=1510475982858';
$headers = array(
            'accept:application/json, text/javascript, */*; q=0.01',
            'accept-encoding:gzip, deflate, br',
            'accept-language:en-US,en;q=0.9',               
            'referer:https://www.vitacost.com/productResults.aspx?allCategories=true&N=1318723&isrc=vitacostbrands:quadblock:supplements',
            'user-agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.89 Safari/537.36',
            'x-requested-with:XMLHttpRequest',
);

$res = curl_get($url,$headers);
print $res;
exit;

function curl_get($url,$headers=array(),$useragent=''){ 
    $curl = curl_init();
    curl_setopt($curl, CURLOPT_URL, $url);
    curl_setopt($curl, CURLOPT_RETURNTRANSFER, true);
    curl_setopt($curl, CURLOPT_HEADER, true);           
    curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);
    curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);
    curl_setopt($curl, CURLOPT_FOLLOWLOCATION, true);   
    curl_setopt($curl, CURLOPT_ENCODING, '');            
    if($useragent)curl_setopt($curl, CURLOPT_USERAGENT,$useragent);             
    if($headers)curl_setopt($curl, CURLOPT_HTTPHEADER, $headers);

    $response = curl_exec($curl);       

    $header_size = curl_getinfo($curl, CURLINFO_HEADER_SIZE);
    $header = substr($response, 0, $header_size);
    $response = substr($response, $header_size);


    curl_close($curl);  
    return $response;
 }

这是我一直得到的回应：

<HTML><HEAD>
<TITLE>Access Denied</TITLE>
</HEAD><BODY>
<H1>Access Denied</H1>

You don't have permission to access     

  "http&#58;&#47;&#47;www&#46;vitacost&#46;com&#47;productResults&#46;aspx&#63;" 
on this server.<P>
Reference&#32;&#35;18&#46;55f50717&#46;1510477424&#46;2a24bbad
</BODY>
</HTML>

Answer 1

首先，请注意该网站不喜欢网页抓取。正如@KeepCalmAndCarryOn在评论中指出的，该网站有一个/robots.txt，它明确要求机器人不要抓取网站的特定部分，包括你想要抓取的部分。虽然没有法律约束力的好公民会坚持这样的要求。

此外，该网站似乎采用明确的防止抓取保护，并试图确保这是一个真正的浏览器。看起来该网站是Akamai CDN的幕后推手，因此防刮保护可能来自此CDN。

但是我已经接受了Firefox发送的请求（有效），然后尝试尽可能地简化它。以下工作目前适用于我，但如果站点更新其浏览器检测，则当然可能会失败：

use strict;
use warnings;
use IO::Socket::SSL;

(my $rq = <<'RQ') =~s{\r?\n}{\r\n}g;
GET /productResults.aspx?allCategories=true&N=1318723&isrc=vitacostbrands%3aquadblock%3asupplements&scrolling=true&No=40&_=151047598285 HTTP/1.1
Host: www.vitacost.com
Accept: */*
Accept-Language: en-US
Connection: keep-alive

RQ

my $cl = IO::Socket::SSL->new('www.vitacost.com:443') or die;
print $cl $rq;
my $hdr = '';
while (<$cl>) {
    $hdr .= $_;
    last if $_ eq "\r\n";
}
warn "[header done]\n";
my $len = $hdr =~m{^Content-length:\s*(\d+)}mi && $1 or die "no length";
read($cl,my $buf,$len);
print $buf;

有趣的是，如果删除Accept标题，我会收到403 Forbidden。如果我改为删除Accept-Language，它就会挂起。而且有趣的是它似乎不需要User-Agent标头。

编辑：看起来机器人检测也使用发件人的源IP作为功能。虽然上面的代码适用于两个不同的系统，但它无法用于第三个系统（在Digitalocean上托管）并且只是挂起。

刮痧试图获得403错误

1 个答案: