2021-02-26

常见的反爬手段和解决思路

1 明确反反爬的主要思路

反反爬的主要思路就是：

尽可能的去模拟浏览器，浏览器在如何操作，代码中就如何去实现。

例如：浏览器先请求了地址url1，保留了cookie在 本地，之后请求地址url2，带上了之前的cookie，代码中也可以这样去实现。

2 通过headers字段来反爬

headers中有很多字段，这些字段都有可能会被对方服务器拿过来进行判断是否为爬虫

2.1 通过headers中的User-Agent字段来反爬

反扒原理：爬虫默认情况下没有User-Agent解决方法：请求之前添加User-Agent即可；更好的方式是使用User-Agent池来解决（收集一堆User-Agent的方式，或者是随机生成User-Agent）

import random
def get_ua():    
    first_num = random.randint(55, 62)    
    third_num = random.randint(0, 3200)    
    fourth_num = random.randint(0, 140)    
    os_type = ['(Windows NT 6.1; WOW64)', '(Windows NT 10.0; WOW64)', '(X11; Linux x86_64)',        		'(Macintosh; Intel Mac OS X 10_12_6)']    
    chrome_version = 'Chrome/{}.0.{}.{}'.format(first_num, third_num, fourth_num)    
    ua = ' '.join(['Mozilla/5.0', random.choice(os_type), 'AppleWebKit/537.36',                   			'(KHTML, like Gecko)', chrome_version, 'Safari/537.36'])    
    return ua

2.2 通过referer字段或者是其他字段来反爬

反扒原理：爬虫默认情况下不会带上referer字段解决方法：添加referer字段（例如豆瓣电视剧中）

2.3 通过cookie来反爬

如果目标网站不需要登录 每次请求带上前一次返回的cookie，比如requests模块的session如果目标网站需要登录 准备多个账号，通过一个程序获取账号对应的cookie，组成cookie池，其他程序使用这些cookie

3 通过js来反爬

普通的爬虫默认情况下无法执行js，获取js执行之后的结果，所以很多时候对方服务器会通过js的技术实现反扒

3.1 通过js实现跳转来反爬

反扒原理：js实现页面跳转，肉眼不可见解决方法: 在chrome中点击perserve log按钮实现观察页面跳转情况在这些请求中，如果请求数量很多，一般来讲，只有那些response中带cookie字段的请求是有用的，意味着通过这个请求，对方服务器有设置cookie到本地

3.2 通过js生成了请求参数

反扒原理：js生成了请求参数解决方法：分析js，观察加密的实现过程，通过js2py获取js的执行结果，或者使用selenium来实现

3.3 通过js实现了数据的加密

反扒原理：js实现了数据的加密解决方法：分析js，观察加密的实现过程，通过js2py获取js的执行结果，或者使用selenium来实现

4 通过验证码来反爬反扒

原理：对方服务器通过弹出验证码强制验证用户浏览行为解决方法：打码平台或者是机器学习的方法识别验证码，其中打码平台廉价易用，更值得推荐

5 通过ip地址来反爬反扒

原理：正常浏览器请求网站，速度不会太快，同一个ip大量请求了对方服务器，有更大的可能性会被识别为爬虫解决方法：对应的通过购买高质量的ip的方式能够解决问题

6 通过用户行为来反扒

反扒原理：通过浏览器请求数据，很多用户行为会在浏览器中是很容易实现或者无法实现.比如浏览器请求额外的图片地址，服务端进行记录，出现意味着不是爬虫(爬虫中不会主动请求图片)解决方法：通过获取数据的情况来观察请求，寻找异常出现的可能请求