Python爬虫

什么是网络爬虫和反爬虫：
• 网络爬虫：使用一些技术手段，大量获取网站数据的一种方式。
• 反爬虫：使用一些技术手段，阻止网络爬虫获取次网站数据的一种方式。
常见的反爬虫机制有哪些：
• 通过use-agent识别爬虫
 有些爬虫的use-agent是特殊的，与正常浏览器的不一样，可通过识别特征use-agent，直接封掉爬虫请求。

• 设置IP访问频率，如果超过一定频率，弹出验证码
 如果输入正确的验证码，则放行，如果没有输入，则拉入禁止一段时间，如果超过禁爬时间，再次出发验证码，则拉入黑名单。当然根据具体的业务，为不同场景设置不同阈值，比如登陆用户和非登陆用户，请求是否含有refer。

• 通过并发识别爬虫
 有些爬虫的并发是很高的，统计并发最高的IP，加入黑名单。

• 请求的时间窗口过滤统计
 爬虫爬取网页的频率都是比较固定的，不像人去访问网页，中间的间隔时间比较无规则，所以我们可以给每个IP地址建立一个时间窗口，记录IP地址最近10次访问时间，每记录一次就滑动一次窗口，比较最近访问时间和当前时间，如果间隔时间很长判断不是爬虫，清除时间窗口，如果间隔不长，就回溯计算指定时间段的访问频率，如果访问频率超过阀值，就转向验证码页面让用户填写验证码。

• 限制单个ip/api token的访问量
 比如10分钟限制访问页面150次，对于抓取用户公开信息的爬虫要格外敏感。

**反爬虫机制的常见方式：
1 设置下载延迟：比如数字设置为10秒，越大越安全。
2优化cookie：cookie最好是登陆获取的，一般访客的cookie，对方限制会比较严格，可以控制一个地区新访客的访问频率。另外反爬统计的js也要分析下，是不是做了机器人判断，有没有做窗口分辨率判断
3 优化user agent：正常的HTTP请求都需要进行ua（User-Agent）优化，因为ua是浏览器标识，如果http请求没有ua，或ua太少，都会被网站运维统计异常的，ua越丰富分布就越真实。
4 使用代理IP池：网络爬虫用户需要大量的IP资源，可以自己购买付费IP业务独享IP，也可以自建IP池。
5 模拟登陆：注意很多网站，可以先用代理ip+ua（ua库随机提取）访问，之后会返回来一个cookie，那ip+ua+cookie就是一一对应的，然后用这个ip、ua和cookie去采集网站，同时能带上Referer，这样效果会比较好

网络爬虫程序的优化策略：
1、注意很多网站，可以先用代理ip+ua（ua库随机提取）访问，之后会返回来一个cookie，那ip+ua+cookie就是一一对应的，然后用这个ip、ua和cookie去采集网站，这样效果会比较好
2、有些网站反爬取的措施应该比较强的。访问之后每次清除缓存，这样能有效规避部分网站的检测；但是有些网站更严格的判断，如果都是新链接从ip发出，也会被判定拒绝（直接403拒绝访问），因此有些爬虫客户会去分析网站的cookies缓存内容，然后进行修改。
3、浏览器的标识（User-Agent）也很重要，用户都是一种浏览器，也是容易判断作弊，要构造不同的浏览器标识，否则容易被判定爬虫。用代理访问之后，浏览器标识需要修改，建议浏览器用phantomjs框架，这个可以模拟其他浏览器的标示，可以通过API接口实现各种浏览器的采集模拟。
4、信息类网站（58、企查查、工商），这类网站主要靠信息提供商业服务，所以反爬措施很严格，非账号（匿名）采集务成正确的cookie和ua，同时限制好频率。建议通过账号登陆来进行采集，这样可以提高采集效率。
5、另外还需要模拟一些用户鼠标行为，这样才能通过这些网站的反爬措施。
7、通过流量统计和日志分析，如果发现单个IP访问、单个session访问、User-Agent信息超出设定的正常频度阈值

好了以上就是今天的知识，希望大家记住，这是基础中的基础。创作不易，大家至少关注一下吧。有疑惑的朋友在评论区询问，我会尽力而答。感兴趣的小伙伴，可以加我QQ群一起学习哦：1084028245。我们下期再见！