哈哈，有人爬我網(wǎng)站，我把他教育了一頓！
作為一個(gè)站長(zhǎng)，你是不是對(duì)爬蟲不勝其煩？爬蟲天天來(lái)爬，速度又快，頻率又高，服務(wù)器的大量資源被白白浪費(fèi)。
看這篇文章的你有福了，我們今天一起來(lái)報(bào)復(fù)一下爬蟲，直接把爬蟲的服務(wù)器給干死機(jī)。
本文有一個(gè)前提：你已經(jīng)知道某個(gè)請(qǐng)求是爬蟲發(fā)來(lái)的了，你不滿足于單單屏蔽對(duì)方，而是想搞死對(duì)方。
很多人的爬蟲是使用Requests來(lái)寫的，如果你閱讀過(guò)Requests的文檔，那么你可能在文檔中的Binary Response Content[1]這一小節(jié)，看到這樣一句話：
The gzip and deflate transfer-encodings are automatically decoded for you.
（Request）會(huì)自動(dòng)為你把gzip和deflate轉(zhuǎn)碼后的數(shù)據(jù)進(jìn)行解碼
網(wǎng)站服務(wù)器可能會(huì)使用gzip壓縮一些大資源，這些資源在網(wǎng)絡(luò)上傳輸?shù)臅r(shí)候，是壓縮后的二進(jìn)制格式?？蛻舳耸盏椒祷匾院?，如果發(fā)現(xiàn)返回的Headers里面有一個(gè)字段叫做Content-Encoding，其中的值包含gzip，那么客戶端就會(huì)先使用gzip對(duì)數(shù)據(jù)進(jìn)行解壓，解壓完成以后再把它呈現(xiàn)到客戶端上面。瀏覽器自動(dòng)就會(huì)做這個(gè)事情，用戶是感知不到這個(gè)事情發(fā)生的。而requests、Scrapy這種網(wǎng)絡(luò)請(qǐng)求庫(kù)或者爬蟲框架，也會(huì)幫你做這個(gè)事情，因此你不需要手動(dòng)對(duì)網(wǎng)站返回的數(shù)據(jù)解壓縮。
這個(gè)功能原本是一個(gè)方便開發(fā)者的功能，但我們可以利用這個(gè)功能來(lái)做報(bào)復(fù)爬蟲的事情。
我們首先寫一個(gè)客戶端，來(lái)測(cè)試一下返回gzip壓縮數(shù)據(jù)的方法。
我首先在硬盤上創(chuàng)建一個(gè)文本文件text.txt，里面有兩行內(nèi)容，如下圖所示：
然后，我是用gzip命令把它壓縮成一個(gè).gz文件：
cat text.txt | gzip > data.gz
接下來(lái)，我們使用FastAPI寫一個(gè)HTTP服務(wù)器server.py：
from fastapi import FastAPI, Response
from fastapi.responses import FileResponse
app = FastAPI()
@app.get('/')
def index():
resp = FileResponse('data.gz')
return resp
然后使用命令uvicorn server:app啟動(dòng)這個(gè)服務(wù)。
接下來(lái)，我們使用requests來(lái)請(qǐng)求這個(gè)接口，會(huì)發(fā)現(xiàn)返回的數(shù)據(jù)是亂碼，如下圖所示：
返回的數(shù)據(jù)是亂碼，這是因?yàn)榉?wù)器沒(méi)有告訴客戶端，這個(gè)數(shù)據(jù)是gzip壓縮的，因此客戶端只有原樣展示。由于壓縮后的數(shù)據(jù)是二進(jìn)制內(nèi)容，強(qiáng)行轉(zhuǎn)成字符串就會(huì)變成亂碼。
現(xiàn)在，我們稍微修改一下server.py的代碼，通過(guò)Headers告訴客戶端，這個(gè)數(shù)據(jù)是經(jīng)過(guò)gzip壓縮的：
from fastapi import FastAPI, Response
from fastapi.responses import FileResponse
app = FastAPI()
@app.get('/')
def index():
resp = FileResponse('data.gz')
resp.headers['Content-Encoding'] = 'gzip' # 說(shuō)明這是gzip壓縮的數(shù)據(jù)
return resp
修改以后，重新啟動(dòng)服務(wù)器，再次使用requests請(qǐng)求，發(fā)現(xiàn)已經(jīng)可以正常顯示數(shù)據(jù)了：
這個(gè)功能已經(jīng)展示完了，那么我們?cè)趺蠢盟?？這就不得不提到壓縮文件的原理了。
文件之所以能壓縮，是因?yàn)槔锩嬗写罅恐貜?fù)的元素，這些元素可以通過(guò)一種更簡(jiǎn)單的方式來(lái)表示。壓縮的算法有很多種，其中最常見的一種方式，我們用一個(gè)例子來(lái)解釋。假設(shè)有一個(gè)字符串，它長(zhǎng)成下面這樣：
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
我們可以用5個(gè)字符來(lái)表示：192個(gè)1。這就相當(dāng)于把192個(gè)字符壓縮成了5個(gè)字符，壓縮率高達(dá)97.4%。
如果我們可以把一個(gè)1GB的文件壓縮成1MB，那么對(duì)服務(wù)器來(lái)說(shuō)，僅僅是返回了1MB的二進(jìn)制數(shù)據(jù)，不會(huì)造成任何影響。但是對(duì)客戶端或者爬蟲來(lái)說(shuō)，它拿到這個(gè)1MB的數(shù)據(jù)以后，就會(huì)在內(nèi)存中把它還原成1GB的內(nèi)容。這樣一瞬間爬蟲占用的內(nèi)存就增大了1GB。如果我們?cè)龠M(jìn)一步增大這個(gè)原始數(shù)據(jù)，那么很容易就可以把爬蟲所在的服務(wù)器內(nèi)存全部沾滿，輕者服務(wù)器直接殺死爬蟲進(jìn)程，重則爬蟲服務(wù)器直接死機(jī)。
你別以為這個(gè)壓縮比聽起來(lái)很夸張，其實(shí)我們使用很簡(jiǎn)單的一行命令就可以生成這樣的壓縮文件。
如果你用的是Linux，那么請(qǐng)執(zhí)行命令：
dd if=/dev/zero bs=1M count=1000 | gzip > boom.gz
如果你的電腦是macOS，那么請(qǐng)執(zhí)行命令：
dd if=/dev/zero bs=1048576 count=1000 | gzip > boom.gz
執(zhí)行過(guò)程如下圖所示：
生成的這個(gè)boom.gz文件只有995KB。但是如果我們使用gzip -d boom.gz對(duì)這個(gè)文件解壓縮，就會(huì)發(fā)現(xiàn)生成了一個(gè)1GB的boom文件，如下圖所示：
只要大家把命令里面的count=1000改成一個(gè)更大的數(shù)字，就能得到更大的文件。
我現(xiàn)在把count改成10，給大家做一個(gè)演示（不敢用1GB的數(shù)據(jù)來(lái)做測(cè)試，害怕我的Jupyter崩潰）。生成的boom.gz文件只有10KB：
服務(wù)器返回一個(gè)10KB的二進(jìn)制數(shù)據(jù)，沒(méi)有任何問(wèn)題。
現(xiàn)在我們用requests去請(qǐng)求這個(gè)接口，然后查看一下resp這個(gè)對(duì)象占用的內(nèi)存大?。?/p>
可以看到，由于requests自動(dòng)會(huì)對(duì)返回的數(shù)據(jù)解壓縮，因此最終獲得的resp對(duì)象竟然有10MB這么大。
如果大家想使用這個(gè)方法，一定要先確定這個(gè)請(qǐng)求是爬蟲發(fā)的，再使用。否則被你干死的不是爬蟲而是真實(shí)用戶就麻煩了。
本文的寫作過(guò)程中，參考了文章網(wǎng)站gzip炸彈 – 王春偉的技術(shù)博客[2]，特別感謝原作者。
參考文獻(xiàn)
[1] Binary Response Content: https://2.python-requests.org/en/master/user/quickstart/#binary-response-content
[2] 網(wǎng)站gzip炸彈 – 王春偉的技術(shù)博客: http://da.dadaaierer.com/?p=577
點(diǎn)擊關(guān)注公眾號(hào)，閱讀更多精彩內(nèi)容
