Python爬虫与反爬虫（7）

【Python基础知识】Python爬虫与反爬虫（7）

 

很久没有补爬虫了，相信在白蚁二周年庆的活动大厅比赛中遇到了关于反爬虫的问题吧

这节我会做个基本分享。

从功能上来讲，爬虫一般分为数据采集，处理，储存三个部分。

一般网站从三个方面反爬虫：用户请求的Headers，用户行为，网站目录和数据加载方式。前两种比较容易遇到，大多数网站都从这些角度来反爬虫。第三种一些应用ajax的网站会采用，这样增大了爬取的难度。

 

user-agent

最简单的反爬虫机制，应该算是U-A校验了。浏览器在发送请求的时候，会附带一部分浏览器及当前系统环境的参数给服务器，这部分数据放在HTTP请求的header部分(如下图是一个请求头示意)。

 

 

 

header的表现形式为key-value对，其中User-Agent标示了一个浏览器的型号，如上图即为在windows 10系统中Chrome的User-Agent.

这方面的应对措施就是模拟U-A，即手动制定修改。

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。

 

 

像这样通过字典来设定headers。

IP限制 

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。

还有一个方案就是更换ip过，但是很多代理IP的寿命都比较短，所以最好有一套完整的机制来校验已有代理IP的有效性。这里提供思路：可以专门写一个爬虫，爬取网上公开的代理ip，检测后全部保存起来。这样的代理ip爬虫经常会用到，最好自己准备一个。有了大量代理ip后可以每请求几次更换一个ip，这在requests或者urllib2中很容易做到，这样就能很容易的绕过IP限制反爬虫。

 

 

 

 

 

另一种种情况，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。

访问频率限制

我们访问一些网站，由于一些网站的访问时间设置，我们是不能快速进入下一页的，这个时候，我们需要修改他的访问时间，在它访问下一页的时候，通过 POST 方式，修改 read_time，正常访问的话，这个值一般会大于10如果我们修改成 60。于是轻轻松松的通过了它的反爬虫策略。

 

验证码限制

问题类似的，这样的方式与上面的方式相比更加难处理的是，不管你的访问频次怎么样，你都需要输入验证码才行。看图：

 

 

 

解决方案有：学习验证码识别算法。
1）利用开源的Tesseract-OCR系统进行验证码图片 的下载及识别，再将识别的字符传到爬虫系统进行模拟登陆。

2）将验证码图片上传到打码平台上进行识别。如果不成功，可以再次更新验证码识别，直到成功为止。

变换网页结构

像社交网站，他们会经常更换网页的结构，大部分情况下我们都需要通过网页结构来解析需要的数据，如果变换了结构，则在原本的网页位置找不到原本需要的内容。

解决方法：可以考虑解析数据时通过数据的特点来解析而不是通过网页结构，这样只要网页上我们需要的数据不变，基本可以不关心网页结构如何。

 

通过账号限制

像论坛这类可以利用，匿名模式不可用。

这里讲下cookie，但是cookie不会不断地更新，在采集一些网站时 cookie 是不可或缺的。要在一个网站上持续保持登录状态，需要在多个页面中保存一个 cookie。这或许能提供给我们一个思路，访问网站和离开网站时 cookie 是如何设置的。

JavaScript

首先，爬虫是通过程序替代浏览器的行为，那么只要能监测出请求来自浏览器还是程序，也就是通过浏览器和程序的不同点的来限制爬，浏览器最大的一个特点就是具有javascript的执行环境，那么可以通过这一特性来制定出一种防爬规则，第一次访问网站时返回一个4XX的错误码，同时返回一段加密的js代码，其中加些对dom操作的代码，最要作用的还是向cookie中写入一个值，同时http请求也返回一个cookie值，同时服务端存储一个sessionid,然后重试，第二次请求服务端验证cookie，通过返回200,这样保证浏览器可以正常访问，程序由于无法正确的解析出正确的cookie值，导致无法正常访问

蜜罐技术

网页上会故意留下一些人类看不到或者绝对不会点击的链接。由于爬虫会从源代码中获取内容，所以爬虫可能会访问这样的链接。这个时候，只要网站发现了有IP访问这个链接，立刻永久封禁该IP + User-Agent + Mac地址等等可以用于识别访问者身份的所有信息。这个时候，访问者即便是把IP换了，也没有办法访问这个网站了。给爬虫造成了非常大的访问障碍。

不过幸运的是，定向爬虫的爬行轨迹是由我们来决定的，爬虫会访问哪些网址我们都是知道的。因此即使网站有蜜罐，定向爬虫也不一定会中招。

源代码格式都不一样

有一些网站，他们每个相同类型的页面的源代码格式都不一样，我们必需要针对每一个页面写XPath或者正则表达式，这种情况就比较棘手了。如果我们需要的内容只是文本，那还好说，直接把所有HTML标签去掉就可以了。可是如果我们还需要里面的链接等等内容，那就只有做苦力一页一页的去看了。这种网站很少，因为如果每个页面的源代码格式都不一样，要不就用户体验查，要不就做网页的内容会被累个半死。

动态加载

很多时候ajax请求都会经过后端鉴权，不能直接构造URL获取。这时就可以通PhantomJS+Selenium模拟浏览器行为，抓取经过js渲染后的页面。

爬取的数据是通过ajax请求得到，或者通过Java生成的。首先用Firebug或者HttpFox对网络请求进行分析。如果能够找到ajax请求，也能分析出具体的参数和响应的具体含义，我们就能采用上面的方法，直接利用requests或者urllib2模拟ajax请求，对响应的json进行分析得到需要的数据。

用的是selenium+phantomJS框架，调用浏览器内核，并利用phantomJS执行js来模拟人为操作以及触发页面中的js脚本。从填写表单到点击按钮再到滚动页面，全部都可以模拟，不考虑具体的请求和响应过程，只是完完整整的把人浏览页面获取数据的过程模拟一遍。

用这套框架几乎能绕过大多数的反爬虫，因为它不是在伪装成浏览器来获取数据（上述的通过添加 Headers一定程度上就是为了伪装成浏览器），它本身就是浏览器，phantomJS就是一个没有界面的浏览器，只是操控这个浏览器的不是人。利用 selenium+phantomJS能干很多事情，例如识别点触式（12306）或者滑动式的验证码，对页面表单进行暴力破解等等。

 

 

写在后面的话：

 

这些东西都是百度搜集整合了很多帖子才出来的，有很多不完善的地方还请大家指教，关于爬虫类我想先到此为止，我觉察出，这是一个层次观念，我所了解的基础还没有完全，只能做个小小的适应大概，无法深入了解，像数据处理这块，数据挖掘，数据分析，一点也没到那种程度。还是希望自己能有更踏实的心，和大家一起进步。