首页 / 知识

合法爬虫?用Python给你整明白!

2023-11-12 13:41:00

没有绝对的反爬虫措施，只能提高爬虫爬取的成本。

爬虫措施：

·不设防的网站，直接爬取，不做任何伪装

·基础防备的网站，爬取过程中增加time.sleep(n)进行休眠一下，降级爬取频次，防止被限制。再可以每次爬取切换header头信息，伪装成多个终端发起的请求

·需要登录的情况下，需要多个用户账户，爬取过程中切换cookie信息，模拟不同用户在请求。

·使用IP代理池，切换IP，越过高级限制。

·python爬虫相关的有几个实现越过限制的包：fake_useragentproxy_list等，伪装的越像真实用户越爬取成功率高。

反爬虫措施：

·Nginx层面进行频次限制，可以参考Nginxhttp资源请求限制，至于限制的key为浏览器头/IP/登录用户，可以根据需求进行设置。

·代码层面限制需要登录访问，一天仅可以访问一定数量的页面，未登录状态仅可以查看可数的几个页面，例如房源信息网站，一天查看60+的房源详情页面已经很多了，更多可以就有恶意了。这样的限制对于爬虫方来说，需要筹备很多账号进行爬取。当然在彻底的限制之外，可以限制访问超过数量弹出验证码，验证之后才可以继续访问，这样至少不会让少部分真实用户无法访问。

·提前获取IP代理池的IP列表，直接防火墙层面的拉黑，能高端避免一些问题，免费IP代理池记得有网站，需要拉黑在自己获取。

·将常见的爬虫头信息全部Nginx或者代码层面拉黑，据说一些大网站把python的几个常见爬虫头信息全部拉黑了，提升基础爬虫的代码成本。

高端反爬虫是每隔几小时切换页面代码或者接口数据结构，记得淘宝是这样做的，对于爬虫方来说，可能刚刚写好爬这种类型的代码，然后整体页面代码和数据结构用了新一套，很高阶的反制措施了。

·数据扰乱：每一页有一些加解密规则，或者每页有不同的扰乱数据，你抓取到的极有可能是包含一些假数据，或者加密数据，也算是增加了爬虫成本。例如网页中也可以增加一些关键性的样式或者名称一致的隐藏域，偶数页不出现这些隐藏域，让爬虫不好找的关键元素。

以上是自己想到的一些措施，谨记现在乱爬是违法的，别爬取一时爽，三年起步了。

以上内容为大家介绍了合法爬虫?用Python给你整明白!希望对大家有所帮助，如果想要了解更多Python相关知识，请关注我们http://www.mobiletrain.org/

培训合法状态代码网站