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：

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：

import requests
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：

import gzip
import io
import requests
resp = requests.get(url, stream=True)
decompressed = resp.raw.read()
with gzip.open(io.BytesIO(decompressed), 'rb') as g:
    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。

崔庆才的新书《Python3网络爬虫开发实战（第二版）》已经正式上市了！书中详细介绍了零基础用 Python 开发爬虫的各方面知识，同时相比第一版新增了 JavaScript 逆向、Android 逆向、异步爬虫、深度学习、Kubernetes 相关内容，‍同时本书已经获得 Python 之父 Guido 的推荐，目前本书正在七折促销中！

内容介绍： 《Python3网络爬虫开发实战（第二版）》内容介绍

好文和朋友一起看~