作為一個站長，你是不是對爬蟲不勝其煩?爬蟲天天來爬，速度又快，頻率又高，服務器的大量資源被白白浪費。

看這篇文章的你有福了，我們今天一起來報復一下爬蟲，直接把爬蟲的服務器給干死機。

本文有一個前提：你已經(jīng)知道某個請求是爬蟲發(fā)來的了，你不滿足于單單屏蔽對方，而是想搞死對方。

很多人的爬蟲是使用Requests來寫的，如果你閱讀過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)會自動為你把gzip和deflate轉(zhuǎn)碼后的數(shù)據(jù)進行解碼

網(wǎng)站服務器可能會使用gzip壓縮一些大資源，這些資源在網(wǎng)絡上傳輸?shù)臅r候，是壓縮后的二進制格式?？蛻舳耸盏椒祷匾院螅绻l(fā)現(xiàn)返回的Headers里面有一個字段叫做Content-Encoding，其中的值包含gzip，那么客戶端就會先使用gzip對數(shù)據(jù)進行解壓，解壓完成以后再把它呈現(xiàn)到客戶端上面。瀏覽器自動就會做這個事情，用戶是感知不到這個事情發(fā)生的。而requests、Scrapy這種網(wǎng)絡請求庫或者爬蟲框架，也會幫你做這個事情，因此你不需要手動對網(wǎng)站返回的數(shù)據(jù)解壓縮。

這個功能原本是一個方便開發(fā)者的功能，但我們可以利用這個功能來做報復爬蟲的事情。

我們首先寫一個客戶端，來測試一下返回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.gz文件：

cat text.txt | gzip > data.gz

接下來，我們使用FastAPI寫一個HTTP服務器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啟動這個服務。

接下來，我們使用requests來請求這個接口，會發(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，這是因為服務器沒有告訴客戶端，這個數(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)是二進制內(nèi)容，強行轉(zhuǎn)成字符串就會變成亂碼。

現(xiàn)在，我們稍微修改一下server.py的代碼，通過Headers告訴客戶端，這個數(shù)據(jù)是經(jīng)過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'  # 說明這是gzip壓縮的數(shù)據(jù)
    return resp

修改以后，重新啟動服務器，再次使用requests請求，發(fā)現(xiàn)已經(jīng)可以正常顯示數(shù)據(jù)了：

這個功能已經(jīng)展示完了，那么我們怎么利用它呢?這就不得不提到壓縮文件的原理了。

文件之所以能壓縮，是因為里面有大量重復的元素，這些元素可以通過一種更簡單的方式來表示。壓縮的算法有很多種，其中最常見的一種方式，我們用一個例子來解釋。假設有一個字符串，它長成下面這樣：

1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111
1111111111111111

我們可以用5個字符來表示：192個1。這就相當于把192個字符壓縮成了5個字符，壓縮率高達97.4%。

如果我們可以把一個1GB的文件壓縮成1MB，那么對服務器來說，僅僅是返回了1MB的二進制數(shù)據(jù)，不會造成任何影響。但是對客戶端或者爬蟲來說，它拿到這個1MB的數(shù)據(jù)以后，就會在內(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。如果我們再進一步增大這個原始數(shù)據(jù)，那么很容易就可以把爬蟲所在的服務器內(nèi)存全部沾滿，輕者服務器直接殺死爬蟲進程，重則爬蟲服務器直接死機。

你別以為這個壓縮比聽起來很夸張，其實我們使用很簡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，那么請執(zhí)行命令：

dd if=/dev/zero bs=1048576 count=1000 | gzip > boom.gz

執(zhí)行過程如下圖所示：

生成的這個boom.gz文件只有995KB。但是如果我們使用gzip -d boom.gz對這個文件解壓縮，就會發(fā)現(xiàn)生成了一個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，給大家做一個演示(不敢用1GB的數(shù)據(jù)來做測試，害怕我的Jupyter崩潰)。生成的boom.gz文件只有10KB：

服務器返回一個10KB的二進制數(shù)據(jù)，沒有任何問題。

現(xiàn)在我們用requests去請求這個接口，然后查看一下resp這個對象占用的內(nèi)存大?。?/p>

可以看到，由于requests自動會對返回的數(shù)據(jù)解壓縮，因此最終獲得的resp對象竟然有10MB這么大。

如果大家想使用這個方法，一定要先確定這個請求是爬蟲發(fā)的，再使用。否則被你干死的不是爬蟲而是真實用戶就麻煩了。

本文的寫作過程中，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

[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