爬虫厉害？反爬虫技术才是真的牛！

最新推荐文章于 2024-02-04 11:08:44 发布

传智播客

最新推荐文章于 2024-02-04 11:08:44 发布

阅读量2.8k

点赞数 1

文章标签：编程语言 python css web 软件测试

原文链接：http://live.bilibili.com/2534773

版权

undefined

黑马程序员视频库

播妞QQ号：3077485083

传智播客旗下互联网资讯、学习资源免费分享平台

你被爬虫侵扰过吗？爬虫不仅会占用大量的网站流量，造成有真正需求的用户无法进入网站，同时也可能会造成网站关键信息的泄漏等问题...

为了避免这种情况发生网站开发工程师必须掌握相应的反爬虫技术。爬虫与反爬虫是互联网开发工程师之间的斗智斗勇。

常见的反爬虫技术有哪些？如何防止别人爬自己的网站？下面播妞为大家提供几种可行的反爬虫方案！

1.通过user-agent来控制访问

user-agent能够使服务器识别出用户的操作系统及版本、cpu类型、浏览器类型和版本。很多网站会设置user-agent白名单，只有在白名单范围内的请求才能正常访问。所以在我们的爬虫代码中需要设置user-agent伪装成一个浏览器请求。有时候服务器还可能会校验Referer，所以还可能需要设置Referer(用来表示此时的请求是从哪个页面链接过来的)。

2.通过IP来限制

当我们用同一个ip多次频繁访问服务器时，服务器会检测到该请求可能是爬虫操作。因此就不能正常的响应页面的信息了。当然这种反爬虫技术可以通过使用IP代理池来反反爬虫。网上就有很多提供代理的网站。

3.设置请求间隔

一般爬虫抓取网站时会制定相应的爬虫策略，但是有些恶意的爬虫会不间断的工具某个网站，面对这种情况，我们可以通过设计请求间隔来实现反爬虫，避免在爬虫短时间内大量的访问请求影响网站的正常运行。

4.自动化测试工具Selenium

Web应用程序测试的Selenium工具。该工具可以用于单元测试，集成测试，系统测试等等。它可以像真正的用户一样去操作浏览器(包括字符填充、鼠标点击、获取元素、页面切换)，支持Mozilla Firefox、Google、Chrome、Safari、Opera、IE等等浏览器。

5.参数通过加密

某些网站可能会将参数进行某些加密，或者对参数进行拼接发送给服务器，以此来达到反爬虫的目的。这个时候我们可以试图通过js代码，查看破解的办法。或者可以使用"PhantomJS",PhantomJS是一个基于Webkit的"无界面"(headless)浏览器，它会把网站加载到内存并执行页面上的JavaScript，因为不会展示图形界面，所以运行起来比完整的浏览器更高效。

6.通过robots.txt来限制爬虫

robots.txt是一个限制爬虫的规范，该文件是用来声明哪些东西不能被爬取。如果根目录存在该文件，爬虫就会按照文件的内容来爬取指定的范围。例如大家可以尝试方位淘宝的robots.txt文件：https://error.taobao.com/robots.txt。可以看到淘宝对爬虫访问的限制。“User-agent: *”表示禁止一切爬虫访问。