1、構(gòu)建合理的HTTP請求標(biāo)頭。

HTTP的請求頭是一組屬性和配置信息，當(dāng)您發(fā)送一個請求到網(wǎng)絡(luò)服務(wù)器時。因為瀏覽器和Python爬蟲發(fā)送的請求頭不同，反爬行器很可能會被檢測到。

2、建立學(xué)習(xí)cookie。

Cookie是一把雙刃劍，有它不行，沒有它更不行。站點將通過cookie來追蹤你的訪問情況，如果發(fā)現(xiàn)你有爬蟲行為，將立即中斷您的訪問，例如，填寫表格時速度過快，或在短時間內(nèi)瀏覽大量網(wǎng)頁。而且對cookies的正確處理，也可以避免許多采集問題，建議在收集網(wǎng)站的過程中，檢查一下這些網(wǎng)站生成的cookie，然后想想哪個是爬蟲需要處理的。

3、正常時差路徑。

Python爬行器不應(yīng)破壞采集速度的原則，盡可能在每一頁訪問時間內(nèi)增加一小段間隔，能有效地幫助您避免反爬行。

4、使用代理IP，對已經(jīng)遇到過反爬蟲的分布式爬蟲來說，使用代理IP將成為您的首選。

談到Python爬蟲的發(fā)展歷史，那簡直就是與反爬蟲相戀的血淚史。因特網(wǎng)上，有網(wǎng)絡(luò)爬蟲的地方，絕對少不了反爬蟲的身影。對網(wǎng)站進(jìn)行反爬蟲的截取，前提是要正確區(qū)分人與網(wǎng)絡(luò)機器人，發(fā)現(xiàn)可疑目標(biāo)時，通過限制IP地址等措施，阻止您繼續(xù)訪問。

知識點擴展：

python3爬蟲--反爬蟲應(yīng)對機制

前言：

反爬蟲更多是一種攻防戰(zhàn)，網(wǎng)絡(luò)爬蟲一般有網(wǎng)頁爬蟲和接口爬蟲的方式；針對網(wǎng)站的反爬蟲處理來采取對應(yīng)的應(yīng)對機制，一般需要考慮以下方面：

①訪問終端限制：這種可通過偽造動態(tài)的UA實現(xiàn)；

②訪問次數(shù)限制：網(wǎng)站一般通過cookie/IP定位，可通過禁用cookie，或使用cookie池/IP池來反制；

③訪問時間限制：延遲請求應(yīng)對；

④盜鏈問題：通俗講就是，某個網(wǎng)頁的請求是有跡可循的，比如知乎的問題回答詳情頁，正常用戶行為必然是先進(jìn)入問題頁，在進(jìn)入回答詳情頁，有嚴(yán)格的請求順序，如果之間跳過前面請求頁面就有可能被判定為到了，通過偽造請求頭可以解決這個問題；

具體的反爬蟲策略：

①驗證碼

應(yīng)對：簡單的驗證碼可通過機器學(xué)習(xí)識別，準(zhǔn)確率可高達(dá)，50-60%；復(fù)雜的可通過專門的打碼平臺人工打碼（依據(jù)驗證碼的復(fù)雜度，打碼工人平均每碼收1-2分錢）

②封ip(容易誤殺)

應(yīng)對：通過ip代理池/vps撥號獲取ip方式，可用低成本的獲取幾十萬ip

③滑動驗證碼：相比常規(guī)的驗證碼易被機器學(xué)習(xí)識別，滑動驗證有一定的優(yōu)勢

應(yīng)對：模擬滑動來驗證

④關(guān)聯(lián)上下文/防盜鏈：利用token/cookie的記錄能力，來關(guān)聯(lián)請求的上下文，通過判斷請求是否走了完整的流程來判定是否是爬蟲；重而反爬蟲（知乎，頭條都有該機制）

應(yīng)對：分析協(xié)議，進(jìn)行全量模擬

⑤javascript 參與運算：利用簡單爬蟲無法進(jìn)行json運算的特征，對中間結(jié)果進(jìn)行js解析/運算

應(yīng)對：可以通過自帶 js 引擎模塊或直接使用 phantomjs 等無端瀏覽器進(jìn)行自動化解析

⑥session封禁：session請求超過閾值，從而封禁（容易導(dǎo)致誤殺）

⑦UA封禁：ua請求超過閾值，從而封禁（容易導(dǎo)致誤殺）

⑧web-fongt反爬蟲機制：源代碼不展示內(nèi)容，而是提供字符集，在頁面使用了font-face定義了字符集，并通過unicode去映射展示

⑨其他：比如代碼混淆、動態(tài)加密方案、假數(shù)據(jù)等方式

到此這篇關(guān)于Python爬蟲突破反爬蟲機制知識點總結(jié)的文章就介紹到這了,更多相關(guān)Python爬蟲如何突破反爬蟲機制內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論