python爬虫与反爬虫

一、爬虫与反爬虫

    1. 爬虫：使用任何技术手段，批量获取网站信息的一种方式。关键在于批量。
    2. 反爬虫：使用任何技术手段，阻止别人批量获取自己网站信息的一种方式。关键也在于批
量。
    3. 误伤：在反爬虫的过程中，错误的将普通用户识别为爬虫。误伤率高的反爬虫策略，效果
再好也不能用。
    4. 拦截：成功地阻止爬虫访问。这里会有拦截率的概念。通常来说，拦截率越高的反爬虫策
略，误伤的可能性就越高。因此需要做个权衡。
    5. 资源：机器成本与人力成本的总和。

二、爬虫的攻与防

攻:Day 1 小莫想要某站上所有的电影，写了标准的爬虫(基于HttpClient 库)，不断地遍历某
站的电影列表页面，根据Html 分析电影名字存进自己的数据库。
守:Day 1 这个站点的运维小黎发现某个时间段请求量陡增， 分析日志发现都是
IP(xxx.xxx.xxx.xxx) 这个用户，并且user-agent 还是Python-urllib/3.6 ，基于这两点判断非人类
后直接在服务器上封杀。
攻:Day 2 小莫电影只爬了一半，于是也针对性的变换了下策略：1. user-agent 模仿百度
("Baiduspider...")，2IP 每爬半个小时就换一个IP 代理。
守:Day 2 小黎也发现了对应的变化，于是在服务器上设置了一个频率限制，每分钟超过120
次请求的再屏蔽IP。同时考虑到百度家的爬虫有可能会被误伤，想想市场部门每月几十万的投
放，于是写了个脚本，通过hostname 检查下这个ip 是不是真的百度家的，对这些ip 设置一个白
名单。
攻:Day 3 小莫发现了新的限制后，想着我也不急着要这些数据，留给服务器慢慢爬吧，于是
修改了代码，随机1-3 秒爬一次，爬10 次休息10 秒，每天只在8-12，18-20 点爬，隔几天还休
息一下。
守:Day 3 小黎看着新的日志头都大了，再设定规则不小心会误伤真实用户，于是准备换了一
个思路，当3 个小时的总请求超过50 次的时候弹出一个验证码弹框，没有准确正确输入的话就

把IP 记录进黑名单。
攻:Day 4 小莫看到验证码有些傻脸了，不过也不是没有办法，先去学习了图像识别（关键词
PIL，tesseract），再对验证码进行了二值化，分词，模式训练之后，总之最后识别了小黎的验证码
（关于验证码，验证码的识别，验证码的反识别也是一个恢弘壮丽的斗争史...），之后爬虫又跑了
起来。
守:Day 4 小黎是个不折不挠的好同学，看到验证码被攻破后，和开发同学商量了变化下开发
模式，数据并不再直接渲染，而是由前端同学异步获取，并且通过JavaScript 的加密库生成动态
的token，同时加密库再进行混淆（比较重要的步骤的确有网站这样做，参见淘宝和微博的登陆
流程）。
攻:Day 5 Day 5 混淆过的加密库就没有办法了么？当然不是，可以慢慢调试，找到加密原理，
不过小莫不准备用这么耗时耗力的方法，他放弃了基于HttpClient 的爬虫，选择了内置浏览器引
擎的爬虫(关键词：PhantomJS，Selenium)，在浏览器引擎运行页面，直接获取了正确的结果，又
一次拿到了对方的数据。
守:Day 5 小黎：.....

三、常见的反爬与反反爬

---

守: 通过User-Agent 来控制访问：
      从用户请求的Headers 反爬虫是最常见的反爬虫策略。由于正常用户访问网站时是通过浏
览器访问的，所以目标网站通常会在收到请求时校验Headers 中的User-Agent 字段，如果
不是携带正常的User-Agent 信息的请求便无法通过请求。

（笔记）User Agent 中文名为用户代理，简称UA，它是一个特殊字符串头，使得服务器能够识
别客户使用的操作系统及版本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、
浏览器插件等。
破：应对措施：如果遇到了这类反爬虫机制，可以直接在自己写的爬虫中添加Headers，将
浏览器的User-Agent 复制到爬虫的Headers 中

---

守: 基于行为检测(限制IP)
      还有一些网站会通过用户的行为来检测网站的访问者是否是爬虫，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，
对于这种情况有两种策略：
破：应对措施：
      1. 可以专门写一个在网上抓取可用代理ip 的脚本，然后将抓取到的代理ip 维护到代理
池中供爬虫使用，当然，实际上抓取的ip 不论是免费的还是付费的，通常的使用效果
都极为一般，如果需要抓取高价值数据的话也可以考虑购买宽带adsl 拨号的VPS，如
果ip 被目标网站被封掉，重新拨号即可。
      2. 降低请求频率。例如每个一个时间段请求一次或者请求若干次之后sleep 一段时间。由
于网站获取到的ip 是一个区域网的ip，该ip 被区域内的所有人共享，因此这个间隔
时间并不需要特别长, 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。对于有逻辑漏洞的网站，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，如果能有多个账户，切换
使用，效果更佳。

---

守: 通过账号权限反爬(ookie 限制)
      部分网站需要登录才能继续操作，这部分网站虽然并不是为了反爬虫才要求登录操作，但
确实起到了反爬虫，的作用, 可是网页上有一部分内容如: 新浪微博是需要用户登录才能查

看更多内容。限制每个每天下载300 张.
破：应对措施：
      因此可以通过注册账号，访问时带cookie, 模拟登录的方法进行规避。

---

守: 验证码限制
      这是一个相当古老但却不失有效性的反爬虫策略。更早的时候，这种验证码可以通过OCR
技术进行简单的图像识别破解，但是现在来说，验证码的干扰线，噪点已经多到肉眼都无
法轻易识别的地步。所以目前而言，由于OCR 技术发展不力，验证码技术反而成为了许多
网站最有效的手段之一。
破：应对措施：
      1. 神经网络训练NLP(图像识别)
      2. 人工识别
      3. 打码平台
      4. 第三方OCR 库

---

守: 动态页面的反爬虫(通过变换网页结构反爬)
       一些社交网站常常会更换网页结构，而爬虫大部分情况下都需要通过网页结构来解析需要
的数据，所以这种做法也能起到反爬虫的作用。在网页结构变换后，爬虫往往无法在原本
的网页位置找到原本需要的内容.
破：应对措施：
      1. 只爬取一次时，在其网站结构调整之前，将需要的数据全部爬取下来；使用脚本对网
站结构进行监测，结构变化时，发出告警并及时停止爬虫。
      2. 逆向分析，抓包
      3. selenium 库

更多爬虫内容可下载：Python网络爬虫教程详解.pdf_python网页爬虫教程-互联网文档类资源-CSDN下载