淺談爬蟲及繞過網站反爬取機制

【相關學習推薦：網站制作視頻教程】

桐城網站建設公司創新互聯公司,桐城網站設計制作，有大型網站制作公司豐富經驗。已為桐城成百上千家提供企業網站建設服務。企業網站搭建\成都外貿網站制作要多少錢，請找那個售后服務好的桐城做網站的公司定做！

爬蟲是什么呢，簡單而片面的說，爬蟲就是由計算機自動與服務器交互獲取數據的工具。爬蟲的最基本就是get一個網頁的源代碼數據，如果更深入一些，就會出現和網頁進行POST交互，獲取服務器接收POST請求后返回的數據。一句話，爬蟲用來自動獲取源數據，至于更多的數據處理等等是后續的工作，這篇文章主要想談談爬蟲獲取數據的這一部分。爬蟲請注意網站的Robot.txt文件，不要讓爬蟲違法，也不要讓爬蟲對網站造成傷害。

反爬及反反爬概念的不恰當舉例

基于很多原因(如服務器資源，保護數據等)，很多網站是限制了爬蟲效果的。

考慮一下，由人來充當爬蟲的角色，我們怎么獲取網頁源代碼?最常用的當然是右鍵源代碼。

網站屏蔽了右鍵，怎么辦?

拿出我們做爬蟲中最有用的東西 F12(歡迎討論)

同時按下F12就可以打開了(滑稽)

源代碼出來了!!

在把人當作爬蟲的情況下，屏蔽右鍵就是反爬取策略，F12就是反反爬取的方式。

講講正式的反爬取策略

事實上，在寫爬蟲的過程中一定出現過沒有返回數據的情況，這種時候也許是服務器限制了UA頭(user-agent)，這就是一種很基本的反爬取，只要發送請求的時候加上UA頭就可以了…是不是很簡單?

其實一股腦把需要不需要的Request Headers都加上也是一個簡單粗暴的辦法……

有沒有發現網站的驗證碼也是一個反爬取策略呢?為了讓網站的用戶能是真人，驗證碼真是做了很大的貢獻。隨驗證碼而來的，驗證碼識別出現了。

說到這，不知道是先出現了驗證碼識別還是圖片識別呢?

簡單的驗證碼現在識別起來是非常簡單的，網上有太多教程，包括稍微進階一下的去噪，二值，分割，重組等概念。可是現在網站人機識別已經越發的恐怖了起來，比如這種：

簡單講述一下去噪二值的概念

將一個驗證碼

變成

就是二值，也就是將圖片本身變成只有兩個色調，例子很簡單，通過python PIL庫里的

Image.convert("1")

就能實現，但如果圖片變得更為復雜，還是要多思考一下，比如

如果直接用簡單方式的話 就會變成

思考一些這種驗證碼應該怎么識別?這種時候 去噪 就派上了用處，根據驗證碼本身的特征，可以計算驗證碼的底色和字體之外的RGB值等，將這些值變成一個顏色，將字體留出。示例代碼如下，換色即可

for x in range(0,image.size[0]):
　　for y in range(0,image.size[1]):
　　# print arr2[x][y]
　　if arr[x][y].tolist()==底色:
　　arr[x][y]=0
　　elif arr[x][y].tolist()[0] in range(200,256) and arr[x][y].tolist()[1] in range(200,256) and arr[x][y].tolist()[2] in range(200,256):
　　arr[x][y]=0
　　elif arr[x][y].tolist()==[0,0,0]:
　　arr[x][y]=0
　　else:
　　arr[x][y]=255

arr是由numpy得到的,根據圖片RGB值得出的矩陣,讀者可以自己嘗試完善代碼，親自實驗一下。

細致的處理之后圖片可以變成

識別率還是很高的。

在驗證碼的發展中，還算清晰的數字字母，簡單的加減乘除，網上有輪子可以用，有些難的數字字母漢字，也可以自己造輪子(比如上面)，但更多的東西，已經足夠寫一個人工智能了……(有一種工作就是識別驗證碼…)

再加一個小提示：有的網站PC端有驗證碼，而手機端沒有…

下一個話題!

反爬取策略中比較常見的還有一種封IP的策略，通常是短時間內過多的訪問就會被封禁，這個很簡單，限制訪問頻率或添加IP代理池就OK了,當然，分布式也可以…

IP代理池->左轉Google右轉baidu，有很多代理網站，雖然免費中能用的不多 但畢竟可以。

還有一種也可以算作反爬蟲策略的就是異步數據，隨著對爬蟲的逐漸深入(明明是網站的更新換代!)，異步加載是一定會遇見的問題，解決方式依然是F12。以不愿透露姓名的網易云音樂網站為例，右鍵打開源代碼后，嘗試搜索一下評論

數據呢?!這就是JS和Ajax興起之后異步加載的特點。但是打開F12，切換到NetWork選項卡，刷新一下頁面，仔細尋找，沒有秘密。

哦，對了 如果你在聽歌的話，點進去還能下載呢…

僅為對網站結構的科普，請自覺抵制盜版，保護版權，保護原創者利益。

如果說這個網站限制的你死死的，怎么辦?我們還有最后一計，一個強無敵的組合：selenium + PhantomJs

這一對組合非常強力，可以完美模擬瀏覽器行為，具體的用法自行百度，并不推薦這種辦法，很笨重，此處僅作為科普。

本文名稱：淺談爬蟲及繞過網站反爬取機制
分享鏈接：http://m.kartarina.com/article18/cpcggp.html

成都網站建設公司_創新互聯，為您提供網頁設計公司、用戶體驗、定制開發、網站建設、手機網站建設、定制網站

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯