如何在网站封锁你之前检查 canvas 指纹识别

canvas fingerprinting - How to Check Canvas Fingerprinting Before Sites Block You

canvas 指纹识别的做法是:在一个不可见的 canvas 上绘制文字和图形,把像素读回来,再对结果做哈希。你的 GPU、显卡驱动,以及操作系统渲染字体的方式,都会对这些像素产生细微影响,所以不同机器算出来的哈希值会略有差异。有两件事值得检查,而且都不是哈希值本身:一是你的哈希值在多次重新加载之间是否保持不变,二是它是否和浏览器自称的其他一切信息相吻合。每次加载都变化的哈希值,比一个乏味稳定的哈希值更容易引人注意。

你需要什么

  • 一个你可以打开开发者工具的浏览器,最好就是你的自动化脚本所驱动的那个确切版本,而不是你日常使用的浏览器。
  • 一个可以用来对比的第二参照点,比如同一台机器上一个普通的桌面浏览器配置。
  • CapSkip 正在运行,无论是以本地模式跑在回环地址上,还是以服务器模式跑在你的工作进程可以访问的机器上,两者都记录在 连接设置中,而这一点在这里之所以重要,只是因为你仍然会遇到的那些挑战总得有地方去处理。

canvas 指纹识别实际测量的是什么

这项技术简单到一段话就能讲完。脚本创建一个 canvas 元素,用指定字体写入一小段字符串,再填充几个图形,然后调用一个回读方法。Mozilla 的文档说得很直白: toDataURL 会返回一个 data URL ,其中包含以 base64 表示的整张图片。对这个字符串做哈希,你就得到了一个能标识出产生它的那套渲染栈的数字。

机器之间的差异,比人们想象的要小。曲线字形边缘的抗锯齿处理方式、亚像素定位、请求的字体在本地是否存在还是被替换、以及 GPU 驱动在混合两种颜色时所做的精确舍入,这些都不在你能从 JavaScript 里控制的范围内,而这正是检测厂商喜欢用它的原因。

由此得出的结论,才是值得你去实践的部分。真实硬件每一次都会产生相同的哈希值。而常见的硬件,会产生成千上万其他人也会得到的同一个哈希值。所以目标不是一个罕见的指纹,也不是一个隐藏起来的指纹,而是一个常见且乏味稳定的指纹。

第一步:读取你自己的 canvas 哈希值

把下面这段代码粘贴到你想测量的浏览器的控制台里。它会绘制出与真实指纹识别脚本相同的图形,并把回读结果简化成一个你可以一眼看出来的值。

// no install needed, paste into the devtools console
function canvasHash() {
  const c = document.createElement('canvas');
  const ctx = c.getContext('2d');
  ctx.textBaseline = 'top';
  ctx.font = '16px Arial';
  ctx.fillStyle = '#f60';
  ctx.fillRect(0, 0, 120, 30);
  ctx.fillStyle = '#069';
  ctx.fillText('probe', 4, 20);
  const url = c.toDataURL();
  let h = 0;
  for (let i = 0; i < url.length; i++) h = (h * 31 + url.charCodeAt(i)) | 0;
  return h.toString(16);
}
canvasHash();

这个值本身说明不了任何问题。没有所谓好的哈希值,也没有坏的哈希值,也没有一份可以拿来核对的公开清单。只有把它和另一次运行、或者同一台机器上的另一个浏览器做对比时,它才变成有意义的信息。

第二步:检查哈希值是否稳定

连续多次运行这个探测。在一个未经修改的浏览器上,每一次运行返回的都是同一个值,因为整个绘制操作里没有任何随机成分。

// run this after the function above is defined
const runs = new Set();
for (let i = 0; i < 5; i++) runs.add(canvasHash());

// 1 means stable. Anything higher means noise is being added.
console.log(runs.size, [...runs]);

如果你得到不止一个值,说明有什么东西正在向像素中注入噪声。这不一定是你自己造成的。浏览器现在自己就会内置这种行为,Mozilla 在像素回读方法的文档中也写明了这一点:启用指纹保护后, 系统会向 getImageData 的结果中引入细微的随机噪声 ,这样网站就无法推断出渲染设备,但这也意味着写入和读取这一来一回不再匹配。

所以不稳定的哈希值有两种可能的来源,你需要弄清楚自己面对的是哪一种。注重隐私的浏览器故意这样做是一回事;你在自动化技术栈里装的隐身补丁又是另一回事,而后者才是真正伤害你的那一种。

第三步:检查它是否和你所声称的其他一切信息相符

指纹是作为一整套信息被评判的,而不是逐个数值单独评判。检测代码会把 canvas 的结果,和浏览器自称的其他信息互相比对,自相矛盾比任何单一的异常数值都更减分。

信号一致的信息应该是什么样的常见的矛盾
canvas 哈希值在多次重新加载之间保持稳定,并且和它所声称的平台相符每次读取都是新值
WebGL 的 renderer 字符串一个具名的消费级 GPU桌面 User-Agent 之下却是软件渲染器
字体替换所声称操作系统自带的那些字体Windows User-Agent 背后却是 Linux 的字体栈
设备像素比和上报的屏幕尺寸相符所声称的标准显示器上却是一个带小数的比例

第二行正是容器环境最容易出问题的地方。在没有 GPU 的机器上运行无头浏览器,只能回退到软件渲染,渲染器字符串会老老实实地说明这一点,而 canvas 像素也悄悄与之保持一致。只修补那个字符串没有用,因为它产生出来的像素依然摆在那里,等着被哈希。 undetected-chromedriver 中的验证码指南 涵盖了同一个问题里自动化标志的那一面。

只有从你自己的技术栈内部去测量,才能知道你实际交付出去的是什么。让探测脚本通过你的任务实际使用的那个浏览器来运行,而不是去相信启动参数。

# pip install playwright
from playwright.sync_api import sync_playwright

PROBE = """() => {
  const c = document.createElement('canvas').getContext('2d');
  c.font = '16px Arial';
  c.fillText('probe', 2, 16);
  return c.canvas.toDataURL().slice(-32);
}"""

with sync_playwright() as p:
    page = p.chromium.launch(headless=True).new_page()
    page.goto("https://example.com/")
    print(page.evaluate(PROBE))   # compare against your real browser

先以无头模式运行一次,再关掉无头标志重新运行一次,然后把两者都和同一台机器上的普通浏览器窗口做对比。如果三次的哈希尾部完全一致,说明出卖你的不是 canvas。如果三次各不相同,那就告诉了你接下来该往哪里查。 Playwright 验证码识别页面 讲的是如何把这套流程接入真正的爬虫任务。

为什么随机化 canvas 会适得其反

随机化 canvas 指纹值听起来像是显而易见的防御手段,但通常只会让情况更糟。道理很简单:常见的哈希值把你归进一个大群体;罕见但固定的哈希值把你归进一个小群体;而每次读取都不同的哈希值,则把你归进了一个真实浏览器几乎从不会出现的群体,因为正常的硬件是确定性的。

更糟的是,这种不稳定性几乎可以零成本地被检测出来。在一次页面加载中读取两次 canvas 并做比较,对检测脚本来说毫无代价,却把你的防御手段变成了一个关于客户端的布尔信号。这笔交易,比你原本想隐藏的那个可识别值要糟糕得多。

确实存在一个真正的例外。按来源、按会话来随机化,而不是每次读取都随机化的浏览器,能在一次页面浏览内部保持哈希值稳定,同时打断跨站点的关联。这是经过深思熟虑的设计,不会被读作自动化行为。而来自打了补丁的自动化技术栈的逐次读取噪声,则完全是另一回事,它会以这样的形式出现在你的日志里:昨天还能正常工作的技术栈,突然开始频繁遇到挑战。

实用的原则是:优先选择运行在真实硬件上、未打任何补丁的真实浏览器,并接受一个乏味的指纹。如果做不到这一点,那就让你手上现有的指纹保持稳定,并且内部彼此一致。

这些都修不了的部分

canvas 指纹方面的工作,改变的是你被挑战的频率,而不是你一旦被挑战之后会发生什么。CapSkip 不会去改动你的 canvas 哈希值、WebGL 渲染器或字体列表,任何识别工具都做不到这一点,因为这些是绘制像素的那台机器本身的属性,而不是你被派发的那道挑战的属性。

把这两件事当作两项各自独立的工作来对待。一致性方面的工作会降低挑战出现的频率,识别工具则处理那些依然会到来的挑战,在一套配置得当的技术栈上,这个数字会更小,但不会是零。任何承诺能一次性解决这两件事的说法,实际上只是在向你兜售其中一件。

改成把求解器跑在服务器上

指纹测试通常是在一台配有真实 GPU 的工作站上进行的,而爬虫任务却运行在完全不同的另一个地方。这种分离没有问题,而且它并不要求在每一个工作进程上都装上识别工具:

模式监听地址适用场景
本地127.0.0.1,仅限该设备浏览器和识别工具跑在同一台机器上
服务器你的内网地址或公网 IPWorker、VPS 或托管平台通过 API 调用

把 SDK 的 host 指向识别工具所在的机器,代码的其余部分保持不变,这样一整个浏览器集群就能共用同一个实例,同时各自保留自己的配置文件。如果调用方位于你的网络之外,建议使用静态公网 IP。相关设置记录在 连接设置中,服务器模式依然是你自己的硬件,依然不计量计费:它改变的只是识别工具运行在哪里,而不是它归谁所有。

常见问题

我可以直接完全屏蔽 canvas 回读吗?

可以,但这样做非常显眼。一个拒绝渲染、返回空白图片、或者在回读时抛出异常的 canvas,比几乎任何真实指纹都更罕见,于是屏蔽这个动作本身,就变成了一个可识别的特征。对于一个用户彼此看起来都一样的隐私浏览器来说,屏蔽是合理的;但对于一个试图看起来普通的单一自动化客户端来说,这样做毫无意义。

无头浏览器的 canvas 指纹会不一样吗?

通常会不一样,而且原因大多在于硬件,而不在于无头本身。没有 GPU 的容器会通过软件回退来渲染,最终出来的像素也会不一样。缺失系统字体会让差异更大,因为被替换的字体,光栅化出来的效果和原本被请求的那个字体不同。给机器配上真实的 GPU 和正常的字体集,就能弥合大部分这样的差距。

光靠 canvas 指纹识别,就足以识别出我吗?

不够,实际上它也不是这样被使用的。它只是众多输入信号中的一个,和 WebGL 渲染器、字体列表、TLS 握手、IP 信誉以及会话行为方式并列在一起。这就是为什么一个完美无瑕的数值,救不了一套在其他地方自相矛盾的技术栈,也是为什么孤立地修好一个信号,很少能明显改变挑战出现的频率。

识别掉验证码,能修复我的指纹吗?

不能。识别只是清除掉眼前的这道挑战,并不会改变你为什么会被展示这道挑战。如果你的挑战出现频率正在上升,能把它降下来的是指纹方面的工作;而在此期间让任务持续推进的是识别工具,这两者值得分开预算。

最短的版本

读取你的 canvas 哈希值,运行五次,检查你得到的是一个值而不是五个不同的值。然后把这个值和 WebGL 渲染器、字体栈、以及你的 User-Agent 所声称的平台做比对,因为自相矛盾比任何单一的异常数字代价都更高。不要添加噪声:逐次读取的随机化只需两行代码就能被检测出来,而且会把你归进一个真实浏览器几乎从不出现的群体。先把技术栈本身修好,再去操心剩下的那些挑战。 面向网络爬虫的验证码识别页面 讲的是如何把这套流程运行在爬虫规模上。剩下的就是经济账了: 验证码绕过 运行在你自己拥有的硬件上,每次识别都不产生额外成本,所以那些你没能避免的挑战,永远不会变成一笔账单。