Python：常见反爬策略及应对方案汇总

2019常见反爬策略及应对方案大汇总了。如果你对反爬虫的策略和手段还掌握的不很全面，进来学就对了！一切都是刚刚好，一切都不晚！

1 . 构造合理的HTTP请求头。

• Accept
• User-Agent - 三方库fake-useragent

from fake_useragent import UserAgent
ua = UserAgent()
ua.ie
# Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US);
ua.msie
# Mozilla/5.0 (compatible; MSIE 10.0; Macintosh; Intel Mac OS X 10_7_3; Trident/6.0)'
ua['Internet Explorer']
# Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0; GTB7.4; InfoPath.2; SV1; .NET CLR 3.3.69573; WOW64; en-US)
ua.opera
# Opera/9.80 (X11; Linux i686; U; ru) Presto/2.8.131 Version/11.11
ua.chrome
# Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.2 (KHTML, like Gecko) Chrome/22.0.1216.0 Safari/537.2'
ua.google
# Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_4) AppleWebKit/537.13 (KHTML, like Gecko) Chrome/24.0.1290.1 Safari/537.13
ua['google chrome']
# Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11
ua.firefox
# Mozilla/5.0 (Windows NT 6.2; Win64; x64; rv:16.0.1) Gecko/20121011 Firefox/16.0.1
ua.ff
# Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:15.0) Gecko/20100101 Firefox/15.0.1
ua.safari
# Mozilla/5.0 (iPad; CPU OS 6_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/6.0 Mobile/10A5355d Safari/8536.25
# and the best one, random via real world browser usage statistic
ua.random

• Referer
• Accept-Encoding
• Accept-Language

2 . 检查网站生成的Cookie。

• 有用的插件：EditThisCookie
• 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

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
• 洋葱路由 - 国内需要 fan qiang才能使用

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