Santorini 圣托里尼
爬虫，反爬虫，反反爬虫……魔高一尺，道高一丈。无穷无尽的进化抗争史。
入门级反爬虫：验证一下Headers里面的一些参数，设定一下访问IP的阈值等。
中高级反爬虫：添加验证码，前端js渲染、异步加载，注册扫码登陆填手机号，投毒，蜜罐等。
次终极反爬虫：人工智能全流量监控。
终极反爬虫：目前还不知道，如果需要肯定会有。
Headers参数
-
user-agent
这是表明你是一个什么东西，搜索引擎的蜘蛛、用户的浏览器类型等等
-
referer
这个表明你的这次请求是来自哪里的。
-
cookie
cookie可以说是一个身份的象征，一个cookie可以包含很多信息，而且每一个cookie是和服务器端的session一一对应的。不同的网站反爬的规则不尽相同，有简单的，也有难的。如果不允许设置cookie可能十几次或者几十次之后就拒绝访问了。如果使用代理，可能还要维护一个ip和cookie对应表，同时还要注意cookie的变化以及过期等事情，相当麻烦。
代理IP
-
伪装IP
有的网站可能并不去验证真实ip，可以在X-Forwarded-For中伪造ip。
-
代理IP池
这部分相对简单一点，网上有大量的免费代理，甚至还有api提供，不过既然是免费的，你用别人也能用，稳定性和速度几乎不能保障。某宝上各种代理ip，价格在十几到几十不等，没买过，据说稳定性也不太强。
-
vpn
相对于代理,vpn具有非常好的稳定性,但是更换的过程比较缓慢,所以适用于跟换次数少,但是网速要求高的。
-
ADSL拨号
爬虫界的大招，成本稍微高点,不过ip多-数万，速度快，1-10M。缺点，更换一次ip大概需要10秒钟，而且还要设置好断线重拨，动态ip追踪，远程硬件重置等。
-
Tor
匿名网络，该方法的采集速度是比较慢的，一个请求要从美国到俄罗斯到希腊最后再回来..优点是绝对的匿名(仅限于反爬虫)。适用于单独请求,网速要求低的情况。
高级
这部分主要是提高获取数据的门槛，登陆不进去就无法获取数据、获得到数据却不容易提炼出数据、提炼出数据却包含无效数据假数据，清洗不易；更有甚者让其进入蜜罐。
-
验证码
这里又将是无尽的抗争进化史了。刚开始是纯数字的静态图片，然后稍难一点的数字加汉字或涉及语义的静态图片，之后静态变成动态的了，然后还有模拟人类行为的手势操作，非人类的12306验证码。破解验证码的技术也在不断发展，最初的人工一个一个，之后接入打码平台，到现在兴起的人工智能。效率和准确率不断提升。
-
非人性前端代码
前端代码一点都不是正常人的，简单一点的把各个数据进行拆分打乱，并且加入一些无用的数据，但是显示给客户的依然是正常的，有的甚至将数据直接换成图片显示。像这种对于用户体验、SEO优化来说，简直没谁了，像这种杀敌一千自损八百，我是不太赞成的。
-
js各种神操作
对于js这一块，不仅有你想不到的，更有你做不到的。不是有一句话是这么说的吗：每天一道反爬题，轻轻松松学前端。简单的有将数据通过js渲染来输出，有的可能可能通过ajax异步传输，并且将数据在一个iframe中显示。什么？你说这个很简单，通过Selenium+PhantomJS/Chrome，获取渲染后的页面即可。我说性能低下，你说没问题，鉴于PhantomJS的一些Bug，采用Selenium+Chrome+virtualenv，多进程、异步等往上堆技术，就可以解决的。那我还说了，通过特征提取，人操作的浏览器和Selenium驱动的headless浏览器还是不一样的，比如说插件数、语言、WebGL供应商和渲染器等等，还有很多刁钻的，又该如何？不过还真有解决办法。
-
投毒
这一方面可以做的事情也比较多，可以给他们一些假数据，就是比较损。
-
心理战
赢得这场爬虫与反爬虫这场战争，最好的办法是不费一兵一卒，让尔等屈服。打打杀杀的多不好，大家都是文化人。没事互相写两行注释等，套路一下。弄一个蜜罐，你要啥我给你啥还不行吗，要啥自行车。
次终极
这部分发展还并不完善(但是一定有在做的)，一个是人工智能刚起步，另一个是全流量，每一Bit流量的前世今生都会进行监控，成本太高。
额外的话：
如果pc端的网页太难，不妨试试手机端的，另外还可以看看app端的和微信小程序的。
做人要厚道，别分分钟几百万上下访问量，慢一点，再慢一点。
大家都是程序员，混口饭吃而已。男人何苦为难男人，说不定下一秒你就从反爬虫变成爬虫工程师呢。不过说真的，真的没必要死磕对方。从商业的角度来说也是这样的，你挡住了99%的爬虫就可以了，没必要花费大量的人力物力去啃那1%的硬骨头，支出和收益不成正比啊。当然，不为别的，就为了面子，死磕到底也是可以的。
网友评论