Python之反爬虫措施

发布时间:2022-01-04 09:46:35 人气:124 作者:多测师

  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_useragent proxy_list 等,伪装的越像真实用户越爬取成功率高。

Python之反爬虫措施

  反爬虫措施:

  ·Nginx 层面进行频次限制,可以参考 Nginx http 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。

  以上内容为大家介绍了Python之反爬虫措施,希望对大家有所帮助,如果想要了解更多Python相关知识,请关注多测师。https://www.e70w.com/xwzx/

返回列表
在线客服
联系方式

热线电话

17727591462

上班时间

周一到周五

二维码
线