网络爬虫和网站主的攻防--常见网站的反爬机制及应对

关注我，持续分享逻辑思维&管理思维； 可提供大厂面试辅导、及定制化求职/在职/管理/架构辅导；
有意找工作的同学，请参考博主的原创：《面试官心得--面试前应该如何准备》，《面试官心得--面试时如何进行自我介绍》《做好面试准备，迎接2024金三银四》。
推荐热榜内容：《架构实战--以海量存储系统讲解热门话题：分布式概念》

-------------------------------------正文----------------------------------------

博主曾在某大型搜索引擎公司工作过。知道很多网站，其实不喜欢爬虫，因为爬虫一般情况下不会带来收益（大型搜索引擎通过用户搜索，可以带来流量；但小搜索引擎，很多时候只爬内容，并不能带来流量），因此，很多网站会有反爬机制。主要包括以下几种：

• 基于用户请求的Headers反爬。网站通过检查访问请求中的User-Agent和Referer字段来识别爬虫。例如，一些资源网站会检测Referer以防止盗链。
  爬虫可以通过修改或添加这些字段来绕过检测。博主上一篇博文《C#实战分享--爬虫的基础原理及实现》代码里也有提到这个知识点。并使用C#告诉大家如何设置User-Agent。
• 基于用户行为的反爬。这包括检测短时间内多次访问同一页面或账号的行为。例如，有些网站会限制同一账号在短时间内重复访问的次数。
  爬虫可以通过使用不同的IP地址来模拟不同的用户行为，或者通过增加访问请求之间的间隔时间来绕过这些限制。博主上篇文章的代码里，也有设置每个请求间sleep时间。另外，有时爬虫不一定要全站抓取，如博主上一篇博文《C#实战分享--爬虫的基础原理及实现》里提到，我们一般情况下，只抓取http://xx.com/content/*.html 某一种或几种规则的URL，这样也能减轻对目标网站的压力，从而避免被封禁。

• 动态页面的反爬。一些网站的数据是通过AJAX请求或JAVA等后端动态生成的，这使得爬取变得更加困难。爬虫需要识别这些动态加载的内容，并找到合适的方法来获取这些信息。
  这里一般编程语言都有模拟浏览器获取内容的库，如Python的requests库是一个简洁而优雅的HTTP库，它可以用来发送HTTP/1.1请求。通过requests库可以轻松地发送Ajax请求，并获取到响应内容。requests库支持多种HTTP认证方式、代理、Cookies等功能。
  一般这种库也会比较重，能支持的并发量不高。大家可以根据自己使用的编程语言自行搜索了解。或关注博主私聊沟通。
• 设置robots.txt文件。网站可以通过在robots.txt文件中设置Disallow指令来阻止爬虫访问某些页面或整个网站。虽然这可以防止一些爬虫，但大型搜索引擎通常会遵守这些规则。
  嗯，这里也说了大型搜索引擎会遵守。大家如果只是学习，可以忽略这个规则。但不建议用来干坏事哟。
• 使用验证码。验证码是一种区分人类用户和自动爬虫的方法。爬虫通常无法解决这些验证码，因此可以有效地阻止爬虫访问。
  但一般网站并不会每次请求内容都要输入验证码。总体来说，IP足够多，或请求足够慢，还是可以应对这类反爬的。当然，如果你技术足够牛逼，破解验证码也不是不行。但早期的验证码一般通过图像识别技术就可以破解。当前很多知名网站的验证码都比较难破解了。

• 欺骗机制。这包括设置“蜜罐”（专门针对爬虫的陷阱URL）、在响应中掺入假数据或生成大量垃圾URL来阻塞爬虫的任务队列。
  这种在博主的代码里还好。博主只针对规则内的URL才会放到等爬取队列中，其他垃圾URL直接丢弃。好处是可以解决这类问题。坏处是可能会丢失一些内容。但实测发现大部分想要的内容还是能抓取下来的。
• 对于大型搜索引擎，有些和网站主会有合作协议，网站主主动推送内容到搜索引擎，这样，也就不用爬取了，当然，这不在今天的讨论之列。

以上就是本次分享的内容。如果有兴趣的，欢迎关注博主私聊。

博主其它经典原创：《管理心得--工作目标应该是解决业务问题，而非感动自己》，《管理心得--如何高效进行跨部门合作》，《管理心得--员工最容易犯的错误：以错误去掩盖错误》，《技术心得--如何成为优秀的架构师》、《管理心得--如何成为优秀的架构师》、《管理心理--程序员如何选择职业赛道》。欢迎大家阅读。