網(wǎng)站反爬蟲機(jī)制一般有哪些方式？
在整合大數(shù)據(jù)資源的過程中，總有爬蟲和反爬蟲。網(wǎng)站越大，網(wǎng)站越成熟，其反抓取機(jī)制、初始IP限制、驗(yàn)證碼限制等限制越完善。讓我們來看看網(wǎng)站安裝了反爬蟲后，爬蟲應(yīng)該如何應(yīng)對(duì)?
精靈IP代理1.用戶行為反爬蟲
有些網(wǎng)站會(huì)檢測(cè)用戶行為，比如同一IP短時(shí)間內(nèi)多次訪問同一頁(yè)面，或者同一賬號(hào)短時(shí)間內(nèi)多次做同一操作。
大部分網(wǎng)站是前者，使用IP代理就可以解決。我們可以將檢測(cè)后的代理IP保存在一個(gè)文件中，但這種方式并不可取，代理IP失敗的概率較高，所以從專門的代理IP網(wǎng)站實(shí)時(shí)抓取是一個(gè)不錯(cuò)的選擇。
在第二種情況下，下一個(gè)請(qǐng)求可以在每次請(qǐng)求后幾秒鐘的隨機(jī)時(shí)間間隔內(nèi)進(jìn)行。一些有邏輯漏洞的網(wǎng)站可以通過多次請(qǐng)求、注銷、再次登錄、繼續(xù)請(qǐng)求等，繞過了同一賬號(hào)不能在短時(shí)間內(nèi)多次提出同一請(qǐng)求的限制。
對(duì)于cookie，檢查cookie以確定用戶是否是有效用戶。需要登錄的網(wǎng)站經(jīng)常使用這種技術(shù)。另外，一些網(wǎng)站的登錄會(huì)動(dòng)態(tài)更新認(rèn)證。登錄時(shí)，隨機(jī)分配認(rèn)證進(jìn)行登錄認(rèn)證_Token, authentication_令牌將與用戶提交的登錄名和密碼一起發(fā)送回服務(wù)器。
2.防爬行
向用戶索要標(biāo)題是最常見的反爬蟲策略。許多網(wǎng)站會(huì)檢測(cè)標(biāo)題和用戶-代理，有些網(wǎng)站會(huì)檢測(cè)推薦人(一些資源網(wǎng)站的防盜鏈就是檢測(cè)推薦人)
如果遇到這種反爬蟲機(jī)制，可以直接給爬蟲添加頭，并添加瀏覽器的用戶-代理被復(fù)制到爬蟲的頭部。或?qū)eferer值修改為目標(biāo)網(wǎng)站的域名。對(duì)于檢測(cè)標(biāo)題的反爬蟲，可以通過在爬蟲中修改或添加標(biāo)題來繞過它。
3.限制一些IP訪問
很多網(wǎng)站都可以獲得免費(fèi)的代理IP。因?yàn)榕老x可以使用這些代理IP來抓取網(wǎng)站，所以網(wǎng)站也可以使用這些代理IP來反向限制，通過抓取這些IP并保存在服務(wù)器上來限制爬蟲使用代理IP。鑒于IP限制，一般建議使用付費(fèi)代理IP服務(wù)，如優(yōu)質(zhì)的云立方動(dòng)態(tài)IP撥號(hào)VPS。
4.動(dòng)態(tài)頁(yè)面的反爬蟲
有時(shí)候當(dāng)你抓取目標(biāo)頁(yè)面時(shí)，發(fā)現(xiàn)關(guān)鍵信息內(nèi)容是空的，只有框架代碼。這是因?yàn)榫W(wǎng)站的信息通過用戶帖子的XHR動(dòng)態(tài)返回內(nèi)容信息。這個(gè)問題的解決方案是通過開發(fā)者工具(Fireflies, etc)分析網(wǎng)站流量。，找到一個(gè)單獨(dú)的內(nèi)容信息請(qǐng)求(如Json)，抓取內(nèi)容信息，獲取所需內(nèi)容。
精靈IP代理更復(fù)雜的是動(dòng)態(tài)請(qǐng)求的加密，參數(shù)可以被解析，所以它們可以 不要被抓住。在這種情況下，您可以使用機(jī)械化、SeleniumRC調(diào)用瀏覽器內(nèi)核，就像真正的瀏覽器上網(wǎng)一樣，可以最大化抓取的成功率，但效率會(huì)大打折扣。
