python3爬虫--反爬虫应对机制
python3爬虫--反爬虫应对机制
内容来源于：
前言：
反爬虫更多是一种攻防战，网络爬虫一般有网页爬虫和接口爬虫的方式；针对网站的反爬虫处理来采取对应的应对机制，一般需要考虑以下方面：
①访问终端限制：这种可通过伪造动态的UA实现；
②访问次数限制：网站一般通过cookie/IP定位，可通过禁用cookie，或使用cookie池/IP池来反制；
③访问时间限制：延迟请求应对；
④盗链问题：通俗讲就是，某个网页的请求是有迹可循的，比如知乎的问题回答详情页，正常用户行为必然是先进入问题页，在进入回答详情页，有严格的请求顺序，如果之间跳过前面请求页面就有可能被判定为到了，通过伪造请求头可以解决这个问题；
具体的反爬虫策略：
①验证码
应对：简单的验证码可通过机器学习识别，准确率可高达，50-60%；复杂的可通过专门的打码平台人工打码（依据验证码的复杂度，打码工人平均每码收1-2分钱）
②封ip(容易误杀)
应对：通过ip代理池/vps拨号获取ip方式，可用低成本的获取几十万ip
③滑动验证码：相比常规的验证码易被机器学习识别，滑动验证有一定的优势
应对：模拟滑动来验证
④关联上下文/防盗链：利用token/cookie的记录能力，来关联请求的上下文，通过判断请求是否走了完整的流程来判定是否是爬虫；重而反爬虫（知乎，头条都有该机制）
应对：分析协议，进行全量模拟
⑤javascript 参与运算：利用简单爬虫无法进行json运算的特征，对中间结果进行js解析/运算
应对：可以通过自带 js 引擎模块或直接使用 phantomjs 等无端浏览器进行自动化解析
⑥session封禁：session请求超过阈值，从而封禁（容易导致误杀）
⑦UA封禁：ua请求超过阈值，从而封禁（容易导致误杀）
⑧web-fongt反爬虫机制：源代码不展示内容，而是提供字符集，在页面使用了font-face定义了字符集，并通过unicode去映射展示
⑨其他：比如代码混淆、动态加密方案、假数据等方式
https://www.52pojie.cn/thread-1288511-1-1.html
内容：
cookie池的实现及使用
IP池的实现及使用
