关于爬虫的一些总结

对于一个爬虫脚本来说，很难具有很好的健壮性，缺乏可操作性，可能今天写出来的爬虫，说不定几个月后，甚至于几周后，就不能用了。

为什么这么说呢？

主要原因有以下几点：

• 网站毕竟是由程序员编写出来的，给用户使用的，而网站想要更具有用户沾粘性，就必须要进行版本迭代。此时的网站，页面已经改版，接口已经更新。
• 还有一些网站的数据具有一定的价值，这样的网站一般都会有反爬机制。既是对数据的保护，也是避免机器流量干扰到正常用户的体验。所以光是写个网络请求，几乎不可能成功拿到数据。“上有政策，下有对策”，这句话到哪都好用。

最常见的反爬手段/爬虫被封的常见原因：

• 判断你的的请求频率/速度频繁

  • 如果你短时间内发送大量的请求，不管是谁，先封你账号或IP，封上一段时间再说。这就很郁闷了，爬的太快被封，爬的太慢费时间。
  • 而要提升抓取效率并且降低被封的风险，可以使用代理IP，说的倒是轻松，网上免费的代理IP不少，但是能用却没有几个。总不至于自费买代理吧，那不能够的。
  • 快速采集是一种恶习，会对网管的服务器造成沉重的负担，还会让你陷入违法境地，也是IP被网站列入黑名单的首要原因。给你的爬虫增加延迟，让它们在夜深人静的时候运行。切记：匆匆忙忙写程序或收集数据都是拙劣项目管理的表现；应该提前做好计划，避免临阵慌乱。

• 请求头没有修改

  • 有些网站会封杀任何声称自己是爬虫的访问者。如果你不确定请求头的值怎样才算合适，就用你自己的浏览器的请求头吧。

• Cookie 不合法

  • 如果你已经登录网站却不能保持登录状态，或者网站上出现了其他的“登录状态”异常，请检查你的cookie。确认在加载每个页面时cookie都被正确调用，而且你的cookie在每次发起请求时都发送到了网站上。

• JavaScript执行问题

  • 如果你从网络服务器收到的页面是空白的，缺少信息，或其遇到他不符合你预期的情况（或者不是你在浏览器上看到的内容），有可能是因为网站创建页面的JavaScript执行有问题。

• 提交参数不对

  • 如果你准备向网站提交表单或发出POST请求，记得检查一下页面的内容，看看你想提交的每个字段是不是都已经填好，而且格式也正确。用Chrome浏览器的网络面板（快捷键F12打开开发者控制台，然后点击“Network”即可看到）查看发送到网站的POST命令，确认你的每个参数都是正确的。

• IP 被识破

  • 如果你在客户端遇到了HTTP错误，尤其是403禁止访问错误，这可能说明网站已经把你的IP当作机器人了，不再接受你的任何请求。你要么等待你的IP地址从网站黑名单里移除，要么就换个IP地址（可以使用代理IP，比如飞猪爬虫代理IP(这个是付费的) 或者 89免费代理）。

爬虫被封的原因有很多，建议使用爬虫要尽可能的伪装自己的数据，除了IP不能伪装外。IP也可以使用飞猪爬虫代理IP，隐藏自己的真实IP，以此来突破IP的限制。另外要尽可能的降低采集速度，不给对方服务器来带太大的影响。

为了对付反爬虫手段，想要绕开它的检测，就避免不了使用爬虫代理IP。

而如何找到高质合适的爬虫代理IP呢？

• IP 的存活时间
  • 代理IP不是始终可用，它有一定存活时间，存活时间越长表示代理服务器越稳定。选择一款稳定的代理IP资源，可以减少资源浪费，节约成本，因此也作为选择代理服务器关键要求之一。
• IP 的数量和地区分布
  • 尽可能选择拥有IP数量多，IP分布地区广的代理服务器供应商，一是使用方便，二是这种供应商规模大，更值得信赖。
• 网页相应速度
  • 什么是响应速度？简单的说就是用代理访问相关网页所需要的时间。速度越快，工作效率越高，因此代理的响应速度可视为代理服务器是否好用的一个标准。