Python爬虫实践 —— 1.对反爬机制的认识

Posted 2021-03-23 allmenmustdie123

51zxw发布了一个新课程，是今年二月份的，现在总算是辞职空下来时间了，想着学习下爬虫吧，反正学了也不亏。爬虫算是最简单的东西了，爬虫背靠数据挖掘、数据分析和机器学习，与大数据和AI相比显得没那么高大上，随便一个程序员都能写一个的小爬虫。可是，在数据封锁隐藏，反爬机制不断深入的今天，如何设计爬虫分布式运行架构、有效高匿的代理池、反封号防屏蔽、清洗存储有效数据、优化爬取策略、结合大数据技术，更有效率有质量地获取数据等等云云，也不是看似那么简单。因为当今世纪，数据即是一切，小小爬虫，一定程度上成为了可用信息的源头，这就是爬虫存在的意义。

工欲善其事必先利其器，自学网老师示例用的是sublime，但是接近年底，packge-control因为某些（河蟹）因素暂停了服务（也可能是白嫖的人太多了 ..迫真），之前写selenium又一直用的pycharm，索性就接着用吧。。，配置下Anaconda解释器，接着用我的pycharm，pip install urllib，完事开干。

 

爬虫 本质上来讲 就是做一个模拟浏览器的工作。从最开始的模拟浏览器发 HTTP 请求，发 WebSocket 请求，到后面的模拟浏览器编译 js，其实做的都是一件事情。

 

简单反爬机制

1.请求头验证  User-Agent、Cookie、 Referer

请求头和跳转源是第一层反爬保护，模拟user-agent不同浏览器、客户端的http请求头，添加referer标签模拟跳转源

2.ip 限制 高匿ip代理、自建ip池（ADSL拨号每次也会分配不同ip），ip访问频率设置

验证机器还是人的操作，同一ip多次高频会被永久封禁

3.登陆验证限制

文字选择、划线、图片拖动、结合语义识别(或设置识别线)，cookie，OCR，pytesseract，selenium模拟操作，手动输入验证码？。。网络爬人？

4.非静态页 JS混淆加密，Ajax异步加载

哦shit，js反爬，一般两种思路，python重写js内容或execjs第三方库解析js。oh shit 后面在学吧，文字替换，js混淆，加密算法相关知识太多了，好在得慢慢学，还有无头浏览器+selenium有奇效 bingo >__<