爬虫的攻防技术
如何发现一个爬虫?一般情况下网站是不会大量的验证用户请求.除非你在访问重要数据.
1.单一的访问频次过高 - 普通人,10秒访问一个网页, 爬虫一秒获取10个网页
2.单一的ip出现非常规的流量
3.大量的重复简单的网页浏览行为
4. 只下载html文档, 不下载js
5. 在页面设置陷阱, 用户看不懂, 爬虫是可以的, 比如 hidden
6.在页面写一段js代码, 浏览器直接执行, 程序不会执行
7.判断请求头: user-agent
如何不被发现?
1.多主机的策略, 解决单一ip的问题, 分布式爬取
2.调整访问频次, 爬一会休息一下
3.通过不断切换ip, 或者直接使用ip代理的形式
4. 频繁的修改user-agent头
5.Header中的Cache-Control修改为no-cache
6.当返回状态码是403(服务器资源禁止访问),改变Header和IP。
public static void main(String[] args) throws Exception {
HttpGet httpGet = new HttpGet("https://news.163.com/");
//我是专门用来模拟浏览器,让我的请求看起来和真实的浏览器一样
httpGet.setHeader("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
httpGet.setHeader("Accept-Encoding", "gzip, deflate, sdch, br");
httpGet.setHeader("Accept-Language", "zh-CN,zh;q=0.8");
httpGet.setHeader("Cache-Control", "no-cache");
httpGet.setHeader("Cookie", "_ntes_nnid=4b1a6bbc71e14269912bdc23980b3fb1,1531559784738; _ntes_nuid=4b1a6bbc71e14269912bdc23980b3fb1;");
httpGet.setHeader("Host", "news.163.com");
httpGet.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36");
httpGet.setHeader("referer","http://news.163.com/");
CloseableHttpClient httpClient = HttpClients.createDefault();
CloseableHttpResponse res = httpClient.execute(httpGet);
HttpEntity entity = res.getEntity();
String html = EntityUtils.toString(entity,"utf-8");
System.out.println(html);
}