有些網(wǎng)站是防爬蟲的。其實(shí)事實(shí)是，凡是有一定規(guī)模的網(wǎng)站，大公司的網(wǎng)站，或是盈利性質(zhì)比較強(qiáng)的網(wǎng)站，都是有高級的防爬措施的。總的來說有兩種反爬策略，要么驗(yàn)證身份，把蟲子踩死在門口；要么在網(wǎng)站植入各種反爬機(jī)制，讓爬蟲知難而退。

本節(jié)內(nèi)容就著這兩種反爬策略提出一些對策。

身份偽裝

??就算是一些不知名的小網(wǎng)站，多多少少還會檢查一下headers驗(yàn)證一下訪者的身份，大網(wǎng)站就更不用說了（我一次爬網(wǎng)易云的時(shí)候，忘記加headers，直接被紅掉）
??所以，為了讓蟲寶們帶著信息凱旋歸來，我們要教會爬蟲們?nèi)绾?strong>偽裝；有時(shí)光偽裝也不行，我們還要教爬蟲具體"如何做人"，讓自己的舉止更像普通人而不是比單身漢手速還快的未知生物。

自定制 Requests Headers

• “吾是人！”——修改user-agent：里面儲存的是系統(tǒng)和瀏覽器的型號版本，通過修改它來假裝自己是人。
• “我從河北省來”——修改referer：告訴服務(wù)器你是通過哪個網(wǎng)址點(diǎn)進(jìn)來的而不是憑空出現(xiàn)的，有些網(wǎng)站會檢查。
• “餅干！”：——帶上cookie，有時(shí)帶不帶餅干得到的結(jié)果是不同的，試著帶餅干去“賄賂”服務(wù)器讓她給你完整的信息。
• 詳細(xì)數(shù)據(jù)可以F12捉個包來查看其Requests Headers

身份偽裝

??就算是一些不知名的小網(wǎng)站，多多少少還會檢查一下headers驗(yàn)證一下訪者的身份，大網(wǎng)站就更不用說了（我一次爬網(wǎng)易云的時(shí)候，忘記加headers，直接被紅掉）
??所以，為了讓蟲寶們帶著信息凱旋歸來，我們要教會爬蟲們?nèi)绾?strong>偽裝；有時(shí)光偽裝也不行，我們還要教爬蟲具體"如何做人"，讓自己的舉止更像普通人而不是比單身漢手速還快的未知生物。

自定制 Requests Headers

• “吾是人！”——修改user-agent：里面儲存的是系統(tǒng)和瀏覽器的型號版本，通過修改它來假裝自己是人。
• “我從河北省來”——修改referer：告訴服務(wù)器你是通過哪個網(wǎng)址點(diǎn)進(jìn)來的而不是憑空出現(xiàn)的，有些網(wǎng)站會檢查。
• “餅干！”：——帶上cookie，有時(shí)帶不帶餅干得到的結(jié)果是不同的，試著帶餅干去“賄賂”服務(wù)器讓她給你完整的信息。
• 詳細(xì)數(shù)據(jù)可以F12捉個包來查看其Requests Headers

headers = {'Referer':'https://accounts.pixiv.net/loginlang=zh&source=pc&view_type=page&ref=wwwtop_accounts_index',#如某些網(wǎng)站（如p站）要檢查referer，就給他加上'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'#每個爬蟲必備的偽裝} r = requests.get("https://segmentfault.com/a/1190000014383966",headers=headers)

headers數(shù)據(jù)通常用這兩個即可，而且筆者強(qiáng)烈推薦在爬蟲中為每個request都配個user-agent，總比什么都沒有好，加了也不會報(bào)錯。

降低主IP訪問頻率

注意：這是針對長期的，大范圍的爬蟲的

有些網(wǎng)站會監(jiān)視某個ip的訪問頻率和次數(shù)，一但超過某個閾值，就把你當(dāng)作爬蟲嫌犯趕出去了，這時(shí)就要想辦法降低自己的存在感了。

• Zzzzz——休眠：爬一段時(shí)間后休息一會，不僅是為了自己的成功，也是為服務(wù)器著想。
• 我不去，我派別人去——ip代理：通過proxies參數(shù)來使用，前提是你要有ip，好的ip代理是要花錢的。

time.sleep(60)#用python自帶time模塊的休眠功能 proxies = {'http': 'http://10.10.1.10:3128',#“協(xié)議類型：完整ip地址+端號”'https': 'http://10.10.1.10:1080'}#代理ip字典，隨機(jī)調(diào)用 r = requests.get(url,headers=headers,proxies=proxies)

反 反爬（簡析）

在系列第零篇中我提到獲取網(wǎng)頁源碼是有坑的，沒錯，有些時(shí)候headers偽裝什么的都做足了，可你還是不能如愿以償?shù)墨@得正確的網(wǎng)頁源碼，要么缺，要么給你一堆毫不相關(guān)的東西，要么干脆讓你紅掉。
這說明要點(diǎn)不是偽不偽裝的問題了，而是如何去解讀網(wǎng)頁的防爬機(jī)制從而推出解決方法，這就要求比較高的觀察和分析能力了。

就我目前遇到的主要有：

• 隨機(jī)校驗(yàn)碼：網(wǎng)頁生成隨機(jī)碼，并要求你將其提交才接受你的請求（多用在登錄驗(yàn)證中）。——這種校驗(yàn)碼通常藏在網(wǎng)頁源碼中，先取再交是策略。
• 無序網(wǎng)址：網(wǎng)址后跟著一大串看不出規(guī)律的東西。——跟這種東西是沒話說的，直接上selenium。
• 加密/雜亂的源碼：你知道你要的東西就在那里，但是不知道怎樣提取出來。——推理解謎，看腦子好不好使了。
• 動態(tài)加載：需要和頁面交互才能獲取更多信息，但是爬蟲沒法和它交互啊。——直接上selenium/手動捉包分析出目標(biāo)鏈接
• ajax技術(shù)：異步加載，網(wǎng)頁內(nèi)容分次加載，用爬蟲只能得到第一次發(fā)出的html，導(dǎo)致信息不全。——上selenium/手動捉包分析出目標(biāo)連接

補(bǔ)充：
selenium模塊，模擬瀏覽器，強(qiáng)是強(qiáng)但是缺點(diǎn)是慢。
其實(shí)動態(tài)加載是為了方便用戶點(diǎn)哪看哪的，但這也加大了爬蟲的難度，因?yàn)楹芏嘈畔⒁虼吮浑[藏了起來。

最后

偽裝有套路，代碼直接套，多加headers總沒錯。

內(nèi)嵌反爬很靈活，沒有什么固定的代碼格式，要花時(shí)間去分析出來。

本文新出現(xiàn)的方法/模塊，后面會有實(shí)例，不要方。

下一篇正式進(jìn)入網(wǎng)頁解析主題，之后就可以開始寫小爬蟲了?(＾?＾●)ﾉ。

headers = {'Referer':'https://accounts.pixiv.net/loginlang=zh&source=pc&view_type=page&ref=wwwtop_accounts_index',#如某些網(wǎng)站（如p站）要檢查referer，就給他加上'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'#每個爬蟲必備的偽裝} r = requests.get("https://segmentfault.com/a/1190000014383966",headers=headers)

headers數(shù)據(jù)通常用這兩個即可，而且筆者強(qiáng)烈推薦在爬蟲中為每個request都配個user-agent，總比什么都沒有好，加了也不會報(bào)錯。

降低主IP訪問頻率

注意：這是針對長期的，大范圍的爬蟲的

有些網(wǎng)站會監(jiān)視某個ip的訪問頻率和次數(shù)，一但超過某個閾值，就把你當(dāng)作爬蟲嫌犯趕出去了，這時(shí)就要想辦法降低自己的存在感了。

• Zzzzz——休眠：爬一段時(shí)間后休息一會，不僅是為了自己的成功，也是為服務(wù)器著想。
• 我不去，我派別人去——ip代理：通過proxies參數(shù)來使用，前提是你要有ip，好的ip代理是要花錢的。

time.sleep(60)#用python自帶time模塊的休眠功能 proxies = {'http': 'http://10.10.1.10:3128',#“協(xié)議類型：完整ip地址+端號”'https': 'http://10.10.1.10:1080'}#代理ip字典，隨機(jī)調(diào)用 r = requests.get(url,headers=headers,proxies=proxies)

反 反爬（簡析）

在系列第零篇中我提到獲取網(wǎng)頁源碼是有坑的，沒錯，有些時(shí)候headers偽裝什么的都做足了，可你還是不能如愿以償?shù)墨@得正確的網(wǎng)頁源碼，要么缺，要么給你一堆毫不相關(guān)的東西，要么干脆讓你紅掉。
這說明要點(diǎn)不是偽不偽裝的問題了，而是如何去解讀網(wǎng)頁的防爬機(jī)制從而推出解決方法，這就要求比較高的觀察和分析能力了。

就我目前遇到的主要有：

• 隨機(jī)校驗(yàn)碼：網(wǎng)頁生成隨機(jī)碼，并要求你將其提交才接受你的請求（多用在登錄驗(yàn)證中）。——這種校驗(yàn)碼通常藏在網(wǎng)頁源碼中，先取再交是策略。
• 無序網(wǎng)址：網(wǎng)址后跟著一大串看不出規(guī)律的東西。——跟這種東西是沒話說的，直接上selenium。
• 加密/雜亂的源碼：你知道你要的東西就在那里，但是不知道怎樣提取出來。——推理解謎，看腦子好不好使了。
• 動態(tài)加載：需要和頁面交互才能獲取更多信息，但是爬蟲沒法和它交互啊。——直接上selenium/手動捉包分析出目標(biāo)鏈接
• ajax技術(shù)：異步加載，網(wǎng)頁內(nèi)容分次加載，用爬蟲只能得到第一次發(fā)出的html，導(dǎo)致信息不全。——上selenium/手動捉包分析出目標(biāo)連接

補(bǔ)充：
selenium模塊，模擬瀏覽器，強(qiáng)是強(qiáng)但是缺點(diǎn)是慢。
其實(shí)動態(tài)加載是為了方便用戶點(diǎn)哪看哪的，但這也加大了爬蟲的難度，因?yàn)楹芏嘈畔⒁虼吮浑[藏了起來。

最后

偽裝有套路，代碼直接套，多加headers總沒錯。

內(nèi)嵌反爬很靈活，沒有什么固定的代碼格式，要花時(shí)間去分析出來。

本文新出現(xiàn)的方法/模塊，后面會有實(shí)例，不要方。

下一篇正式進(jìn)入網(wǎng)頁解析主題，之后就可以開始寫小爬蟲了?(＾?＾●)ﾉ。

總結(jié)

以上是生活随笔為你收集整理的Python爬虫自学之第（①）篇——爬虫伪装和反“反爬”的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。