|
网站的反爬虫策略该如何应对 有爬虫自然就有反爬虫，越是成熟的网站，其反爬虫机制越完善，最初的IP限制，验证码限制，还有其他的限制，今天我们一起去了解下网站如何设置反爬虫，而爬虫又该如何应对。 1、用户行为反爬虫 有一部分网站是通过检测用户行为，例如同一IP短时间内多次访问同一页面，或者同一账户短时间内多次进行相同操作。 大多数网站都是前一种情况，对于这种情况，使用IP代理就可以解决。我们可以将代理IP检测之后保存在文件当中,但这种方法并不可取，代理IP失效的可能性很高，因此从专门的代理IP网站实时抓取，是个不错的选择。 对于第二种情况，可以在每次请求后随机间隔几秒再进行下一次请求。有些有逻辑漏洞的网站，可以通过请求几次，退出登录，重新登录，继续请求来绕过同一账号短时间内不能多次进行相同请求的限制。 还有针对cookies，通过检查cookies来判断用户是否是有效用户，需要登录的网站常采用这种技术。更深入一点的还有，某些网站的登录会动态更新验证，登录时，会随机分配用于登录验证的authenticity_token，authenticity_token会和用户提交的登录名和密码一起发送回服务器。 2、通过Headers反爬虫 从用户请求的Headers反爬虫是最常见的反爬虫策略。很多网站都会对Headers的User-Agent进行检测，还有一部分网站会对Referer进行检测(一些资源网站的防盗链就是检测Referer)。 如果遇到了这类反爬虫机制，可以直接在爬虫中添加Headers，将浏览器的User-Agent复制到爬虫的Headers中;或者将Referer值修改为目标网站域名。对于检测Headers的反爬虫，在爬虫中修改或者添加Headers就能很好的绕过。 3、限定某些IP访问 免费的代理IP可以从很多网站获取到，既然爬虫可以利用这些代理IP进行网站抓取，网站也可以利用这些代理IP反向限制，通过抓取这些IP保存在服务器上来限制利用代理IP进行抓取的爬虫。 4、动态页面的反爬虫 有的时候将目标页面抓取下来，发现关键的信息内容空白一片，只有框架代码，这是因为该网站的信息是通过用户Post的XHR动态返回内容信息，解决这种问题的方法就是通过开发者工具(FireBug等)对网站流进行分析，找到单独的内容信息request(如Json)，对内容信息进行抓取，获取所需内容。 更复杂一点的还有对动态请求加密的，参数无法解析，也就无法进行抓取。这种情况下，可以通过Mechanize，selenium RC，调用浏览器内核，就像真实使用浏览器上网那样抓取，可以最大限度的抓取成功，只不过效率上会打些折扣。
| 
