爬虫IP被禁的简单解决方法

Posted 2020-11-03 左正

爬虫以前听上去好厉害好神秘的样子，用好了可以成就像Google、百度这样的索索引擎，用不好可以凭借不恰当的高并发分分钟崩掉一个小型网站。写到这里想到12306每年扛住的并发请求量，觉得好牛逼。

爬虫和反爬虫从一直以来都是一个道高一尺魔高一丈的架势。反爬虫技术增加了爬取的难度，各路crawler的爬取过程可以说是一个和各种网站站长斗智斗勇的过程，各种解决方式可谓层出不穷，但是这里说是“简单”解决方案，肯定就是立足于一些比较基础的方法，分分钟就可以上手。

user_agent 伪装和轮换

不同浏览器的不同版本都有不同的user_agent，是浏览器类型的详细信息，也是浏览器提交Http请求的重要头部信息。我们可以在每次请求的时候提供不同的user_agent，绕过网站检测客户端的反爬虫机制。比如说，可以把很多的user_agent放在一个列表中，每次随机选一个用于提交访问请求。有一个提供各种user_agent的网站：

http://www.useragentstring.com/

最近又看到一个专门提供伪装浏览器身份的开源库，名字取得很直白：

fake-useragent

使用代理IP和轮换

检查ip的访问情况是网站的反爬机制最喜欢也最喜欢用的方式。这种时候就可以更换不同的ip地址来爬取内容。当然，你有很多有公网ip地址的主机或者vps是更好的选择，如果没有的话就可以考虑使用代理，让代理服务器去帮你获得网页内容，然后再转发回你的电脑。代理按透明度可以分为透明代理、匿名代理和高度匿名代理:

• 透明代理：目标网站知道你使用了代理并且知道你的源IP地址，这种代理显然不符合我们这里使用代理的初衷
• 匿名代理：匿名程度比较低，也就是网站知道你使用了代理，但是并不知道你的源IP地址
• 高匿代理：这是最保险的方式，目标网站既不知道你使用的代理更不知道你的源IP 
  代理的获取方式可以去购买，当然也可以去自己爬取免费的，这里有一个提供免费代理的网站，可以爬下来使用，但是免费的代理通常不够稳定。

设置访问时间间隔

很多网站的反爬虫机制都设置了访问间隔时间，一个IP如果短时间内超过了指定的次数就会进入“冷却CD”，所以除了轮换IP和user_agent 
可以设置访问的时间间间隔长一点，比如没抓取一个页面休眠一个随机时间：

1. import time，random
2. time.sleep(random.random()*3)

对于一个crawler来说，这是一个比较responsible的做法。 
因为本来爬虫就可能会给对方网站造成访问的负载压力，所以这种防范既可以从一定程度上防止被封，还可以降低对方的访问压力。

参考文献

1. 爬虫伪装浏览器的点击行为
2. 爬代理IP
3. 互联网网站的反爬虫策略简析