爬虫中常见的4种反爬虫策略

参考资料

正文内容

《爬虫中常见的4种反爬虫策略》是一篇值得学习的技术文章，代码整理的很实用，扩充了更多相关实例，为了大家阅读方便。

1.IP封锁

站点运行人员在分析日志时，有时会发现在同一时间段内有一个或多个IP访问量特别大，因为这种爬虫是通过程序自动完成爬虫爬取页面信息的，所以它的请求量在单位时间内很大，并且相邻请求时间间隔比较固定，这时就可以基本判断出此类行为系爬虫所为。

解决方案：可以使用太阳爬虫http代理或自建ip池，http代理可以助力采集，突破限制轻松抓取数据。

2.封User-Agent

User-Agent是请求领域之一，服务器从与User-Agentent对应的值中使用的信息。

User-Agent的角色是客户端的身份识别。许多爬虫请求头是默认情况下一些非常明显的爬虫头python-requests/2.18.4，等等，当发现带有此类headers的数据包时，直接拒绝访问，返回403错误。

解决方案：

除User-Agent外，还可以使用Host和Referer。这一验证请求头信息中特定头域的方法，不仅能有效地屏蔽长期无人维护的爬虫程序，而且还能拒绝一些初学者发出的网络请求。

3. javascript渲染，由 JavaScript 改变 HTML DOM 导致页面内容发生变化的现象称为动态渲染。

由 JavaScript 改变 HTML DOM 导致页面内容发生变化的现象称为动态渲染。

由于编程语言没有像浏览器一样内置JavaScript解释器和渲染引擎，所以动态渲染是天然的反爬虫手段。

网页开发者将重要信息放在网页中但不写入html标签中，而浏览器会自动渲染<script>标签中的js代码将信息展现在浏览器当中，而爬虫是不具备执行js代码的能力，所以无法将js事件产生的信息读取出来。

4.封Cookie

Cookie反爬虫指的是服务器通过校验请求头中的Cookie值来区分正常用户和爬虫程序的手段，服务器对每一个访问网页的人都会给其一个Cookie，有的扫描爬虫单纯为了爬取链接，并不会对Cookie进行处理和响应。

当某个Cookie访问超过某一个阀值时，就对其进行封禁，过一段时间再放出来。

也可以把Cookie和JavaScript结合起来实现反爬虫从而提高爬虫难度，这种手段被广泛应用在Web应用中。

（推荐操作系统：windows7系统、Internet Explorer 11，DELL G3电脑。）