爬虫套路知多少？反爬策略是关键

定位

爬虫是获取数据的一种方式，网络上很多请求都是由爬虫发起的。

说几个爬虫的实际例子：

①想要做舆论分析，分析当前热点话题，可以爬取腾讯新闻，微博，今日头条等主流站点数据，然后进行分析；

②想要做电影推荐或影评分析，可以爬取豆瓣，猫眼等数据进行分析；

③想要做电商销售分析，可以爬取京东，淘宝商家数据进行分析；

当我们使用高并发或者分布式爬虫对这些站点进行抓取时，可能会损害站点利益：

①短时间内大量请求占用站点资源：网络带宽，服务器负载；

②如果我们获取数据，自己获益，可能会损害他人利益；

但是百度，谷歌等搜索引擎厂商无时无刻不在抓取信息，还有很多其他企业和个人也在抓取自己感兴趣信息。如何保护自己利益不受侵犯，企业从制定行业规范与技术两方面做了处理，这也是我们这节主要内容：

1.robots协议：爬虫规范；

2.常见反爬机制；

3.反爬机制应对方式；

<1>

robots协议

robots协议是一个文本文件，通过协议声明站点的哪些信息可以抓取，哪些禁止抓取。

robots协议位置：http://xxxx/robots.txt ;例如：百度https://www.baidu.com/robots.txt ，内容如下：

User-agent: Baiduspider
Disallow: /baidu
Disallow: /s?
Disallow: /ulink?
Disallow: /link?
Disallow: /home/news/data/

User-agent: Googlebot
Disallow: /baidu
Disallow: /s?
Disallow: /shifen/
Disallow: /homepage/
Disallow: /cpro
Disallow: /ulink?
Disallow: /link?
Disallow: /home/news/data/
... ...
User-agent: *
Disallow: /

robots协议相关说明如下：

我们来简单分析下百度的robots.txt

①User-agent：Baiduspider， Googlebot...是针对的搜索引擎

②Disallow：/baidu，/s?...禁止这些搜索引擎爬取相应的资源

③User-agent: * Disallow: /：禁止其他搜索引擎爬取任何资源，以上列出的除外；

如果搜索引擎类型没有在百度的robots.txt声明中，禁止该引擎抓取本站的任何资源。

<2>

反爬虫策略与应对方式

robots协议定义了行业规范，但是很多开发者还是会进行暴力爬取，增加服务器负载，占用网络带宽，这就需要制定反爬策略，主要方式有下面几种：

①判断User-Agent，是否为浏览器；

②判断短时间内同一个IP访问次数；

③用户登录后才能访问资源；

④短时间用户使用不同IP访问资源，异常登录；

⑤验证码，滑动点击验证；

⑥数据加解密处理；

对于不同反爬策略，可以使用不同应对方式：

①User-Agent：发起请求时候添加头信息，伪装浏览器；

②短时间内访问次数限制：可以使用代理或者延时爬取；

③登录后访问：模拟登录保存cookie,请求时添加cookie信息；

④异常登录：准备大量账号，绑定不同代理进行爬取；

⑤验证码：使用Ocr，机器学习进行处理，但是准确率是一个问题；

⑥数据加解密处理：使用对应算法进行破解，或者使用selenium进行抓取；

本文主要解决User-Agent与短时间内访问次数限制。

<3>

例子：伪装浏览器

我们来看一个例子，使用浏览器访问某主页：http://www.xicidaili.com/ ；能够正常访问；然后使用urllib请求g该主页，代码如下：

from urllib import request
url= 'http://www.xicidaili.com/'
req = request.urlopen(url)
print(req.code)

运行出错，结果如下：

HTTPError                                 Traceback (most recent call last)
<ipython-input-6-07bc83b0cf79> in <module>()
      1 from urllib import request
      2 url= 'http://www.xicidaili.com/'
----> 3 req = request.urlopen(url)
... ...
HTTPError: HTTP Error 503: Service Temporarily Unavailable

查看浏览器请求头信息与User-Agent：

当我们使用urllib请求该主页，服务器检查User-Agent，认为这次请求不是浏览器请求，所以拒绝访问；我们可以在访问时添加请求头信息设置User-Agent，代码实现如下：

from urllib import request
#user-agent
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'}
url= 'http://www.xicidaili.com/'
#创建Request对象，添加user-agent,伪装浏览器
reqhd = request.Request(url=url, headers=headers)
req = request.urlopen(reqhd)
print(req.code)

输出结果：200。至此，我们成功解决第一个反爬问题。