82 lines
2.7 KiB
Markdown
82 lines
2.7 KiB
Markdown
## 常见反爬策略及应对方案
|
||
|
||
1. 构造合理的HTTP请求头。
|
||
- Accept
|
||
|
||
- User-Agent
|
||
|
||
- Referer
|
||
|
||
- Accept-Encoding
|
||
|
||
- 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。
|
||
- OCR（Tesseract） - 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
|
||
```
|