常见的反爬虫和应对方法

通过Headers 反爬虫：

从用户请求的Headers 反爬虫是最常见的反爬虫策略。很多网站都会对Headers 的User-Agent进行检测，还有一部分网站会对Referer 进行检测（一些资源网站的防盗链就是检测Referer）。如果遇到了这类反爬虫机制，可以直接在爬虫中添加Headers，将浏览器的User-Agent 复制到爬虫的Headers 中；或者将Referer 值修改为目标网站域名。对于检测Headers 的反爬虫，在爬虫中修改或者添加Headers 就能很好的绕过。

基于用户行为反爬虫：

还有一部分网站是通过检测用户行为，例如同一IP 短时间内多次访问同一页面，或者同一账户短时间内多次进行相同操作。大多数网站都是前一种情况，对于这种情况，使用IP 代理就可以解决。可以专门写一个爬虫，爬取网上公开的代理ip，检测后全部保存起来。这样的代理ip 爬虫经常会用到，最好自己准备一个。有了大量代理ip 后可以每请求几次更换一个ip，这在requests 或者urllib2 中很容易做到，这样就能很容易的绕过第一种反爬虫。对于第二种情况，可以在每次请求后随机间隔几秒再进行下一次请求。有些有逻辑漏洞的网站，可以通过请求几次，退出登录，重新登录，继续请求来绕过同一账号短时间内不能多次进行相同请求的限制。

动态页面的反爬虫：

上述的几种情况大多都是出现在静态页面，还有一部分网站，我们需要爬取的数据是通过ajax 请求得到，或者通过JavaScript 生成的。首先用Fiddler 对网络请求进行分析。如果能够找到ajax 请求，也能分析出具体的参数和响应的具体含义，我们就能采用上面的方法，直接利用requests 或者urllib2模拟ajax 请求，对响应的json 进行分析得到需要的数据。能够直接模拟ajax 请求获取数据固然是极好的，但是有些网站把ajax 请求的所有参数全部加密了。我们根本没办法构造自己所需要的数据的请求。这种情况下就用selenium+phantomJS，调用浏览器内核，并利用phantomJS 执行js 来模拟人为操作以及触发页面中的js 脚本。从填写表单到点击按钮再到滚动页面，全部都可以模拟，不考虑具体的请求和响应过程，只是完完整整的把人浏览页面获取数据的过程模拟一遍。用这套框架几乎能绕过大多数的反爬虫，因为它不是在伪装成浏览器来获取数据（上述的通过添加Headers 一定程度上就是为了伪装成浏览器），它本身就是浏览器，phantomJS 就是一个没有界面的浏览器，只是操控这个浏览器的不是人。利selenium+phantomJS 能干很多事情，例如识别点触式（12306）或者滑动式的验证码，对页面表单进行暴力破解等。