常见的网络爬虫优化策略

什么是网络爬虫和反爬虫：
• 网络爬虫：使用一些技术手段，大量获取网站数据的一种方式。
• 反爬虫：使用一些技术手段，阻止网络爬虫获取次网站数据的一种方式。
常见的反爬虫机制有哪些：
• 通过use-agent识别爬虫
 有些爬虫的use-agent是特殊的，与正常浏览器的不一样，可通过识别特征use-agent，直接封掉爬虫请求。

• 设置IP访问频率，如果超过一定频率，弹出验证码
 如果输入正确的验证码，则放行，如果没有输入，则拉入禁止一段时间，如果超过禁爬时间，再次出发验证码，则拉入黑名单。当然根据具体的业务，为不同场景设置不同阈值，比如登陆用户和非登陆用户，请求是否含有refer。

• 通过并发识别爬虫
 有些爬虫的并发是很高的，统计并发最高的IP，加入黑名单。

• 请求的时间窗口过滤统计
 爬虫爬取网页的频率都是比较固定的，不像人去访问网页，中间的间隔时间比较无规则，所以我们可以给每个IP地址建立一个时间窗口，记录IP地址最近10次访问时间，每记录一次就滑动一次窗口，比较最近访问时间和当前时间，如果间隔时间很长判断不是爬虫，清除时间窗口，如果间隔不长，就回溯计算指定时间段的访问频率，如果访问频率超过阀值，就转向验证码页面让用户填写验证码。

• 限制单个ip/api token的访问量
 比如10分钟限制访问页面150次，对于抓取用户公开信息的爬虫要格外敏感。

破解反爬虫机制的常见方式：
1 设置下载延迟：比如数字设置为10秒，越大越