Python爬虫从入门到精通（八）反爬及应对反爬的策略

Python爬虫从入门到精通（八）反爬及应对反爬的策略

目录

一、 网站如何发现爬虫

二、网站如何进行反爬

三、爬虫如何发现自己可能被网站识别了

四、 爬虫应对反爬的策略

总结

---

v搜索公众号：zhulin1028
后台回复：【Python1】【Python2】【Python3】【Python全栈】【爬虫】
免费获取对应资料。
欢迎技术交流，加我V：ZL3132537525

随着抓取的数据量到一定程度，数据重复及爬取过程中的死链问题会凸显。怎么来解决反爬问题呢？

一、 网站如何发现爬虫

一般来说，网站会有以下一些简单的策略发现爬虫程序：

  1）单一IP非常规的访问频次；

  2）单一IP非常规的数据流量；

  3）大量重复简单的网站浏览行为，只下载网页，没有后续的JS,CSS请求；

  5）通过一些陷阱来发现爬虫，例如一些通过CSS对用户隐藏的链接，只有爬虫才会访问；

二、网站如何进行反爬

一般来说网站会采用下面两个简单的策略来防止爬虫：

1.大量使用动态网页，是的爬虫的爬取难度增加，重要数据都拿不到，即使爬虫采用了Web环境来渲染（内置浏览器），也会大大增加爬虫的负担和爬虫时间；（当然，采用动态加载的技术，对服务器的负担也会大大减轻）

2.基于流量的拒绝：

  开启带宽限制模块，限制每个IP最多连接数，最大带宽等；

三、爬虫如何发现自己可能被网站识别了

如果爬取过程中出现以下情况，那么小心了，你的爬虫可能被网站发现了：

    1.验证码出现；

    2.Unusual content delivery delay 非常规的延时;

    3.Frequent response with HTTP 403, 404, 301 or 50x error;

四、 爬虫应对反爬的策略

我们可以从以下几个方面来考虑应对反爬：

1）User-Agent池；

2）代理服务器池；

3）cookieJar等的管理；

4）协议的细节考虑，如：需要大量的实践经验总结的

          抓取数据时不处理CSS，JS等；

          nofollow属性；css的display属性；探测陷阱；

          验证refer locator等；

5）使用分布式的多机策略；爬慢点，把爬虫放到访问频繁的主站IP子网下，如教育网；

6）使用了各种规则来尝试批量爬取，然后对规则动态进行组合；

7）验证码的搞定：机器学习，图像识别；

8）尽可能遵守

总结

以上文章主要面对初级及中级爬虫工程师的参考资料。由于本人能力及知识有限，目前只能总结到这里。但是关于爬虫的知识和技术，互联网知识和技术更新换代非常快。后期本人会尽我所能，根据实际工程需要，增加新的实用的知识。