简单聊聊工作中总结的爬虫经验
欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！
对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tstoutiao，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。
作者：不吃夹生饭 爬虫工程师 Python爱好者社区专栏作者
知乎ID : https://www.zhihu.com/people/bu-chi-jia-sheng-fan
原本计划是开了这个专栏一周更新一篇，但是这段时间太忙了。
今天主要是说说工作中遇到的：
1.各类反爬虫
2.一些小技巧
3.我自己常用的爬虫框架
4.分享搭建一个简单的代理池
好了，进入正题。
首先是各类反爬虫和小技巧，我穿插着讲，好的，容我想想列一个表。
1.刚开始写脚本的时候经常忘记带 request headers，特别是host和user-agent这俩个字段（通常带这两个就足够了），这个就是体现在对http协议理解不够。具体是哪个网站我忘了，我因为没有带上ua，一直拿不到html，耽搁我不少的时间。
因为网站会检查你的 request headers 中的host，如果不对，好的你拿不到数据，然后是检测你的ua，嗯？什么是ua，就是User-Agent，不同的浏览器有不同的ua，也是爬虫伪装浏览器的第一步。
2.关于cookies，这个我就遇到过一次，也是我上一份工作中遇到的，我要拿数据的那个网站，分析了url，确定了参数，post过去，嗯？怎么是空网页，数据喃。
这里我们在用浏览器的开发者工具时，在network里要关注所出现的各种url。后来我注意到在每次post后还有一个url紧跟着请求，原来这个post请求数据是个障眼法。
所以呢，这个就是网站通过post请求把参数放到cookies里，然后到了真正出数据的url里，在请求时带上刚刚的cookies，服务器在读取完cookies接着就能看到数据了。
3.接下来就是ip的访问频率了。
我在入职现在这份工作时，老大让我在xx网抓一份全国的旅行社数据，结果我的ip被ban，整个公司那一周都不能上那网站。所以，当我给老大汇报这个事情的时候，老大淡淡说了句，你当人家网站的运维chishi的么。
同时，在这里作为一名爬虫工程师，基本的职业素养就包括，好比隔壁组坐着一个漂亮的菇凉，咱们看看就好了，不要去影响人家。所以说，在每两次请求间一定要有时延。这里我不是说，咱们通过测试来摸索出该网站的rps（request per second），然后就着rps来跑，这样的确算是提高效率的方法，但是我偷懒，统一设置为10秒的时延。
但是，处理办法有好几种。
一，每一次请求时变更ua,就可以理解为学校机房里，大家同时访问一个url，难不成就把这个机房的ip给ban了？
二，在request headers里带上 referer，既然是模拟人的操作，那就在每一次请求的headers的referer里带上上一次的请求url。什么？referer是做什么的，这个就是告诉服务器我是从哪一个url来到哪一个url去。
三， 设置时延，这个不解释，我们抓数据的同时不能给服务器造成太大压力，也不能影响别人的浏览体验。
四，使用代理， 通过改变代理ip的方式，让服务器没办法来阻止你拿数据。
4. 放在js中的反爬虫，这里我很愿意来举一个实际的栗子。客官们可以跟着我一起来看看人家怎么反爬虫的。
就说携程酒店的评论数据好了。
http://link.zhihu.com/?target=http%3A//hotels.ctrip.com/
然后随便点一个酒店进去，“shift+ctrl+i” 打开开发者工具
然后拖动页面去找评论，点击 更多评论， 这时候注意开发者工具里的network里的变化。
然后能看到这两个
可以看到，我画圈的就是关键，而下面那个AjaxHotelComment。是请求评论的页面，因为在请求这个ajax时里面有个参数eleven,看似是个token，实际不符合token的定义，总之就是在这个ajax请求前通过oceanball？这个请求得到一个eleven参数，然后交给请求ajax得到数据。
现在我们点进去那个画圈的url，复制开一个新窗口打开。
整理后的代码长这个样子
eval(function(arr, f) {
if (typeof Array.prototype.map === "function") {
return arr.map(f)
}
var res = [],
j = 0;
for (var i = 0,
l = arr.length; i < l; i++) {
res[j++] = f(arr[i], i, arr)
}
return res
} ([.....],
function(item) {
return String.fromCharCode(item - 38644)
eval这个臭名昭著效率低的东西恰巧就是反爬虫利器，我们可以看到这段代码实际起作用的内容就是
arr.map(f)
好的，我们来模拟。
我们打开开发者工具的console，
在里面输入
var a = [那一大段的列表].map(function(item) {
return String.fromCharCode(item - 38644)
}).join('')
a //输出结果
结果就可以看到这样的
也就是说，解码后，给了这么一段，（事实上这个跟网站底层的js有关联，不然在底层的js里找到 getElevenCode()这个function死活模拟不出来结果）。
好的，在站长工具里对解析出来的这段js代码进行格式化，看到的结果呢，只想骂马萌萌！！各个参数都是机器生成的。其中绕来绕去，被绕晕。
然后看到一段注释，心想，嘿，后门吧。转码过来看，结果如下
好的呀！结果我被嘲讽了！再一次马萌萌！！携程的人太骄傲了。
从这里我们数数人家的加密就有（1.请求得eleven 2.转码获取新的js 3.再解码）3层加密。
转过来一想，都被嘲讽了，说明我离真相就近了。
那我们换一个思路，从底层js去找。
这时候我们去看人家从哪个js来
然后点进去，“ctrl+f”搜 ‘eleven’，结果我们找到这个
可是我没看明白逻辑！！！！！！
于是我就卡在这了。
所以，携程的这个栗子的反爬虫就是通过恶心的js来完成。
为啥要这样做，因为这类网站的数据不需要通过登陆就能看到
5. 然后就是验证码咯
老大通过机器学习训练出可以识别xx网的验证码，已经上线了，所以验证码形同虚设（暂时的）
不过验证码依旧是我认为反爬虫强有力的手段，因为涉及的技术很多，学习成本很高，很容易就放弃了。
6. 至于像淘宝啊 京东啊微博啊的种种反爬虫，我还没抓过，所以我也不清楚。
等等，被老大叫出去抽根烟 -.-!
好了，我回来了，刚刚跟老大聊了聊后面的工作安排。原本今天还打算写一下框架和一个简单的代理池，放后面好了， 不好意思哈 各位。
接下来我的工作就是弄爬虫框架，还有分布式，所以我学到了什么再来分享。
Python的爱好者社区历史文章大合集：
Python的爱好者社区历史文章列表
关注后在公众号内回复“ 课程 ”即可获取：
小编的转行入职数据科学（数据分析挖掘/机器学习方向）【最新免费】
小编的Python的入门免费视频课程！
小编的Python的快速上手matplotlib可视化库！
崔老师爬虫实战案例免费学习视频。
陈老师数据分析报告扩展制作免费学习视频。
玩转大数据分析！Spark2.X + Python精华实战课程免费学习视频。
