Python 爬虫与反爬的几个方案

网络爬虫

浏览数:74

2019-8-16

原文链接: 何晓东 博客

没有绝对的反爬虫措施,只能提高爬虫爬取的成本。

爬虫措施:

  • 不设防的网站,直接爬取,不做任何伪装
  • 基础防备的网站,爬取过程中增加 time.sleep(n) 进行休眠一下,降级爬取频次,防止被限制。再可以每次爬取切换 header 头信息,伪装成多个终端发起的请求
  • 需要登录的情况下,需要多个用户账户,爬取过程中切换 cookie 信息,模拟不同用户在请求。
  • 使用 IP 代理池,切换 IP,越过高级限制。

python 爬虫相关的有几个实现越过限制的包:fake_useragent proxy_list 等,伪装的越像真实用户越爬取成功率高。

反爬虫措施:

  • Nginx 层面进行频次限制,可以参考 Nginx http 资源请求限制,至于限制的 key 为浏览器头/IP/登录用户,可以根据需求进行设置。
  • 代码层面限制需要登录访问,一天仅可以访问一定数量的页面,未登录状态仅可以查看可数的几个页面,例如房源信息网站,一天查看 60+ 的房源详情页面已经很多了,更多可以就有恶意了。这样的限制对于爬虫方来说,需要筹备很多账号进行爬取。当然在彻底的限制之外,可以限制访问超过数量弹出验证码,验证之后才可以继续访问,这样至少不会让少部分真实用户无法访问
  • 提前获取 IP 代理池的 IP 列表,直接防火墙层面的拉黑,能高端避免一些问题,免费 IP 代理池记得有网站,需要拉黑在自己获取。
  • 将常见的爬虫头信息全部 Nginx 或者代码层面拉黑,据说一些大网站把 python 的几个常见爬虫头信息全部拉黑了,提升基础爬虫的代码成本。
  • 高端反爬虫是每隔几小时切换页面代码或者接口数据结构,记得淘宝是这样做的,对于爬虫方来说,可能刚刚写好爬这种类型的代码,然后整体页面代码和数据结构用了新一套,很高阶的反制措施了。
  • 数据扰乱:每一页有一些加解密规则,或者每页有不同的扰乱数据,你抓取到的极有可能是包含一些假数据,或者加密数据,也算是增加了爬虫成本。例如网页中也可以增加一些关键性的样式或者名称一致的隐藏域,偶数页不出现这些隐藏域,让爬虫不好找的关键元素。

以上是自己想到的一些措施,谨记现在乱爬是违法的,别爬取一时爽,三年起步了。

© 原创文章,如有问题请联系 hexiaodong1992@outlook.com 谢谢!

顺道,大佬们来这里学习更多知识 -> 这里

作者:hxd_