网站的反爬虫机制一般都有哪些方式？

来源: 神鸡IP 作者: 梅亚东发表日期: 2019年4月30日 15:28

在大数据资源整合的过程中，有爬虫和反爬虫。网站越大，网站越成熟，反爬行动机制越完善，初始 IP 限制，验证码限制和其他限制。

今天我们一起来看看网站上反爬的设置，以及反应方式。

1、动态页面的反爬虫有的时候将目标页面抓取下来，发现关键的信息内容空白一片，只有框架代码，这是因为该网站的信息是通过用户Post的XHR动态返回内容信息，解决这种问题的方法就是通过开发者工具(FireBug等)对网站流进行分析，找到单独的内容信息request(如Json)，对内容信息进行抓取，获取所需内容。

2、用户行为反爬虫有一部分网站是通过检测用户行为，例如同一IP短时间内多次访问同一页面，或者同一账户短时间内多次进行相同操作。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。我们可以将代理IP 检测之后保存在文件当中,但这种方法并不可取，代理IP失效的可能性很高，因此从专门的代理IP网站实时抓取，是个不错的选择。对于第二种情况，可以在每次请求后随机间隔几秒再进行下一次请求。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账号短时间内不能多次进行相同请求的限制。还有针对cookies，通过检查cookies来判断用户是否是有效用户，需要登录的网站常采用这种技术。更深入一点的还有，某些网站的登录会动态更新验证，登录时，会随机分配用于登录验证的authenticity_token，authenticity_token会和用户提交的登录名和密码一起发送回服务器。

3、限定某些IP访问免费的代理IP可以从很多网站获取到，既然爬虫可以利用这些代理IP进行网站抓取，网站也可以利用这些代理IP反向限制，通过抓取这些IP保存在服务器上来限制利用代理IP进行抓取的爬虫。针对IP限制，一般建议使用付费的代理IP服务，比如质量较高的云立方动态IP 拨号 VPS 。

4、通过Headers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)。如果遇到了这类反爬虫机制，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，在爬虫中修改或者添加Headers就能很好的绕过。

更复杂一点的还有对动态请求加密的，参数无法解析，也就无法进行抓取。这种情况下，可以通过Mechanize，selenium RC，调用浏览器内核，就像真实使用浏览器上网那样抓取，可以最大限度的抓取成功，只不过效率上会打些折扣。

上一篇: 代理IP的原理及分类

下一篇: 动态拨号VPS花多少钱购买才算性价比高

如何使用动态拨号vps通过爬虫抓取贴吧数据

2019年5月6日