Python-100-Days/番外篇/常见反爬策略及应对方案.md

82 lines
2.7 KiB
Markdown
Raw Normal View History

2019-03-20 09:56:05 +08:00
## 常见反爬策略及应对方案
1. 构造合理的HTTP请求头。
- Accept
2020-10-03 11:42:04 +08:00
- User-Agent
2019-03-20 09:56:05 +08:00
- Referer
2020-10-03 11:42:04 +08:00
2019-03-20 09:56:05 +08:00
- Accept-Encoding
2020-10-03 11:42:04 +08:00
2019-03-20 09:56:05 +08:00
- Accept-Language
2. 检查网站生成的Cookie。
- 有用的插件:[EditThisCookie](http://www.editthiscookie.com/)
- 如何处理脚本动态生成的Cookie
3. 抓取动态内容。
- Selenium + WebDriver
- Chrome / Firefox - Driver
4. 限制爬取的速度。
5. 处理表单中的隐藏域。
- 在读取到隐藏域之前不要提交表单
- 用RoboBrowser这样的工具辅助提交表单
6. 处理表单中的验证码。
- OCRTesseract - 商业项目一般不考虑
- 专业识别平台 - 超级鹰 / 云打码
```Python
from hashlib import md5
class ChaoClient(object):
def __init__(self, username, password, soft_id):
self.username = username
password = password.encode('utf-8')
self.password = md5(password).hexdigest()
self.soft_id = soft_id
self.base_params = {
'user': self.username,
'pass2': self.password,
'softid': self.soft_id,
}
self.headers = {
'Connection': 'Keep-Alive',
'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
}
def post_pic(self, im, codetype):
params = {
'codetype': codetype,
}
params.update(self.base_params)
files = {'userfile': ('captcha.jpg', im)}
r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
return r.json()
if __name__ == '__main__':
client = ChaoClient('用户名', '密码', '软件ID')
with open('captcha.jpg', 'rb') as file:
print(client.post_pic(file, 1902))
```
7. 绕开“陷阱”。
- 网页上有诱使爬虫爬取的爬取的隐藏链接(陷阱或蜜罐)
- 通过Selenium+WebDriver+Chrome判断链接是否可见或在可视区域
8. 隐藏身份。
- 代理服务 - 快代理 / 讯代理 / 芝麻代理 / 蘑菇代理 / 云代理
[《爬虫代理哪家强?十大付费代理详细对比评测出炉!》](https://cuiqingcai.com/5094.html)
- 洋葱路由 - 国内需要翻墙才能使用
```Shell
yum -y install tor
useradd admin -d /home/admin
passwd admin
chown -R admin:admin /home/admin
chown -R admin:admin /var/run/tor
tor
```