反爬的几种手段总结

第一种：根据headers设置反爬虫

从用户请求的headers反爬虫是最常见的反爬虫策略，很多网站都会对headers的user-agent进行检测，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),如果遇到了这类的反爬虫机制的话，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，在爬虫中添加headers就能很好地绕过去。

 

第二种：根据用户行为设置反爬虫

还有一部分网站是通过用户的行为，例如同一个ip短时间内多次访问同一个页面，或者是同一个账户短时间内进行相同的操作。

大多数网站都是前一种情况，对于这种情况，使用ip代理就可以解决，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爬虫进行会用到，最好自己准备一个，有了大量的代理ip之后可以每请求就更换一个ip，这在requests或者urllib2中很容易做到，这样的话就可以很容易绕过第一种爬虫。

对于第二种情况，可以在每次请求后随机间隔几秒之后在进行下一次的请求，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个账户短时间内不能多次进行相同请求的限制。

 

第三种：根据动态页面设置反爬虫

上述的几种情况大多都是出现在静态页面，还有一部分网站，我们需要爬取的数据是通过ajax请求得到，或者通过JavaScript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。

能够直接模拟ajax请求获取数据固然是极好的，但是有些网站把ajax请求的所有参数全部加密了，我们根本没办法构造自己所需要的数据的请求。

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。