網(wǎng)站的反爬蟲策略都是怎么做的？
jj
2021-12-16
自從有了自己的互聯(lián)網(wǎng)網(wǎng)絡(luò)，就出現(xiàn)了爬蟲和反爬蟲。網(wǎng)站越大，越成熟的網(wǎng)站，其反爬蟲機(jī)制越完善，初始的IP限制、驗(yàn)證碼限制等限制。精靈ip代理將和大家一起了解該網(wǎng)站的反爬蟲策略以及爬蟲的反應(yīng)。
1.用戶行為反爬蟲
有些網(wǎng)站會(huì)檢測到用戶行為，比如同一個(gè)IP短時(shí)間內(nèi)多次訪問同一個(gè)頁面，或者同一個(gè)賬號(hào)短時(shí)間內(nèi)多次做同一個(gè)操作。
大多數(shù)網(wǎng)站都是前一種情況，可以通過使用IP代理來解決。我們可以在檢測后將代理IP保存在文件中，但是這種方法并不可取，而且代理IP失敗的概率很高，所以從專門的代理IP網(wǎng)站上實(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)請求可以在每個(gè)請求之后的幾秒鐘的隨機(jī)時(shí)間間隔內(nèi)發(fā)出。一些存在邏輯漏洞的網(wǎng)站可以通過多次請求、注銷、再次登錄、繼續(xù)請求等方式，繞過同一賬號(hào)無法在短時(shí)間內(nèi)多次提出同一請求的限制。
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)。此外，一些網(wǎng)站的登錄將動(dòng)態(tài)更新認(rèn)證。登錄時(shí)，隨機(jī)分配用于登錄身份驗(yàn)證的authentication _ token，authentication _ token將與用戶提交的登錄名和密碼一起發(fā)送回服務(wù)器。
2.動(dòng)態(tài)頁面的反爬蟲
有時(shí)抓取目標(biāo)頁面時(shí)，發(fā)現(xiàn)關(guān)鍵信息內(nèi)容為空，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(FireBug等)分析網(wǎng)站流量。)，找到單獨(dú)的內(nèi)容信息請求(如Json)，抓取內(nèi)容信息，得到需要的內(nèi)容。
更復(fù)雜的是動(dòng)態(tài)請求的加密，參數(shù)無法解析，所以無法抓取。在這種情況下，可以通過Mechanize、selenium RC調(diào)用瀏覽器內(nèi)核，就像真正的瀏覽器上網(wǎng)一樣，可以最大限度地提高爬行的成功率，但效率會(huì)大打折扣。
3.通過標(biāo)頭進(jìn)行反爬網(wǎng)
向用戶請求標(biāo)頭反爬蟲是最常見的反爬蟲策略。很多網(wǎng)站會(huì)檢測到Headers的User-Agent，有些網(wǎng)站會(huì)檢測到Referer(有些資源網(wǎng)站的防盜鏈就是檢測Referer)。
如果遇到這種反爬蟲機(jī)制，可以直接將header添加到爬蟲中，將瀏覽器的User-Agent復(fù)制到爬蟲的header中?；蛘邔eferer值修改為目標(biāo)網(wǎng)站的域名。對(duì)于檢測標(biāo)頭的反爬網(wǎng)程序，可以通過修改或添加爬網(wǎng)程序中的標(biāo)頭來繞過它。
4.限制一些IP訪問
免費(fèi)代理IP可以從很多網(wǎng)站獲得。由于爬網(wǎng)程序可以使用這些代理IP來爬網(wǎng)網(wǎng)站，因此網(wǎng)站也可以使用這些代理IP反向限制，通過爬網(wǎng)這些IP并將其保存在服務(wù)器上來限制爬網(wǎng)程序使用代理IP。推薦閱讀:爬蟲遇到IP限制和訪問時(shí)間間隔限制怎么辦？
