在之前的文章《反爬虫的极致手段，几行代码直接炸了爬虫服务器 》中，讲到了后端如何使用gzip返回极高压缩率的文件，从而瞬间卡死爬虫。

昨天我帮了后端，今天我就帮帮爬虫。作为爬虫，如何避免踩中gzip炸弹？

最直接的方法，就是把你的爬虫隐藏起来，因为gzip炸弹只能在发现了爬虫以后使用，否则就会影响到正常用户。只要你的爬虫让网站无法发现，那么自然就不会踩中炸弹。

如果你没有把握隐藏爬虫，那么，请继续往下看。

查看gzip炸弹的URL返回的Headers，你会发现如下图所示的字段：

你只需要判断 resp.headers 中，是否有一个名为 content-encoding ，值包含 gzip 或 deflate 的字段。如果没有这个字段，或者值不含 gzip 、 deflate 那么你就可以放心，它大概率不是炸弹。

值得一提的是，当你不读取 resp.content 、 resp.text 的时候，Requests是不会擅自给你解压缩的，如下图所示。因此你可以放心查看Headers。：

那么，如果你发现网站返回的内容确实是 gzip 压缩后的内容了怎么办呢？这个时候，我们如何做到既不解压缩，又能获取到解压以后的大小？

如果你本地检查一个 .gz 文件，那么你可以使用命令 gzip -l xxx.gz 来查看它的头信息：

展开全文

打印出来的数据中，第一个数字是压缩后的大小，第二个数字是解压以后的大小，第三个百分比是压缩率。这些信息是储存在压缩文件的头部信息中的，不用解压就能获取到。

那么当我使用Requests的时候，如何获得压缩后的二进制数据，防止它擅自解压缩？方法其实非常简单：

importrequests

resp = requests.get(url, stream= True)

print(resp.raw.read)

运行效果如下图所示：

此时可以看到，这个大小是压缩后的二进制数据的大小。现在，我们可以使用如下代码，在不解压的情况下，查询到解压缩后的文件大小：

importgzip

importio

importrequests

resp = requests.get(url, stream= True)

decompressed = resp.raw.read

withgzip.open(io.BytesIO(decompressed), 'rb') asg:

g.seek( 0, 2)

origin_size = g.tell

print(origin_size)

运行效果如下图所示：

打印出来的数字转成MB就是10MB，也就是我们昨天测试的解压后的文件大小。

使用这个方法，我们就可以在不解压的情况下，知道网站返回的gzip压缩数据的实际大小。如果发现实际尺寸大得离谱，那就可以确定是gzip炸弹了，赶紧把它丢掉。

- EOF -

点击标题可跳转

1、 一个神器，大幅提升爬虫爬取效率！

2、 反爬虫的极致手段，几行代码直接炸了爬虫服务器

3、 因为爬虫失控，CTO 和程序员双双被判刑

觉得本文对你有帮助？请分享给更多人

推荐关注「Python开发者」，提升Python技能

点赞和在看就是最大的支持❤️返回搜狐，查看更多