常见爬虫反扒措施

原文

常见爬虫反扒措施

# 1. header （例子: 全国动产抵押监督管理平台）
浏览器的请求头

# 2. User-Agent （例子: 全国动产抵押监督管理平台）
用户代理，表明访问源身份的一种方式

# 3. Referer （例子: 中国裁判文书网）
访问的目标链接是从哪个链接跳转过来的（做防盗链的话，就可以从它入手）
HTTP来源地址（referer，或 HTTP referer）是HTTP表头的一个字段，用来表示从哪儿链接到目前的网页，采用的格式是URL。
换句话说，借着HTTP来源地址，目前的网页可以检查访客从哪里而来，这也常被用来对付伪造的跨网站请求。

# 4. Host （例子: IT桔子）
同源地址判断，用它会很有用 

# 5. IP （例子: 搜狗微信）
同一个IP短时多次访问，就很有可能是爬虫，反爬虫会对此做处理

# 6. 访问频率 （例子: 搜狗微信）
短时多次高并发的访问，基本上就是有问题的访问

# 7. Cookie （例子: 北京市企业信用信息网）
存储在浏览器端，常用来保存“认证数据”，请求会携带这些数据发送给服务器，这样服务器才能判断当前请求的状态 

# 8. 动态请求加载 （例子: 大众点评）
通过Ajax异步加载的网页内容在网页源码中是没有的，网页返回的response中是解析不到我们想要的内容的

# 9. 网站数据加密 （例子: 去哪儿）
抓取下来的数据是经过加密的，给爬虫数据处理带来问题

# 10. 混淆js加密 （例子: 中国裁判文书网）
首次请求数据时，服务端返回动态的混淆加密过的JS，而这段JS的作用是给Cookie添加新的内容用于服务端验证，此时返回的状态码一般不是200。
浏览器带上新的Cookie再次请求，服务端验证Cookie通过返回数据, 这也是为什么代码不能返回数据的原因

# 11. 验证码 （例子: 12306）
用户请求频率过高的时候，有些网站就会触发验证码验证机制，让你输入各种验证码 

# 12. 登录 （例子: IT桔子）
需要用户登录之后才能够获取页面中的信息，那么这种防护能非常有效的防止数据大批量的被爬取 

# 13. 限制网页返回数据条数 （例子: IT桔子）
网页刚开始会显示很多条，当你账号或者一段时间后网页返回数据，你只能局限于前几页或者前几条 

# 14. Noscript标签的使用 
<noscript>标签是在浏览器（或者用户浏览标识），没有启动脚本支持的情况下触发的标签，
在低级爬虫中，基本都没有配置js引擎，通常这种方式和Ajax异步加载同时使用, 用于保护自己不想让爬虫接触的信息。
当JavaScript被禁用或者不被支持时提供的一种代替方式，即 noscript 标签中的内容会在此时被浏览器解析，作为 javascript 不可用时的备选方案。