爬虫博客推荐及个人笔记（闲聊时刻）

https://blog.csdn.net/qiulin_wu/article/details/104774594 - 一入爬虫深似海，反爬技术你知多少？（这篇博客幽默风趣，大家可以看一下~）

---

笔记：之前也做过基于网络爬虫的数据分析系统。也写过爬虫，在做数据分析系统的时候，主要的爬虫部分开发不属于我开发。但我也知道爬虫的原理及实现。

编写爬虫无非就是四步

（1）设置代理。这个是把自己伪装。

爬虫基础之代理的基本原理 - https://blog.csdn.net/miner_zhu/article/details/81780309

代理实际上指的就是代理服务器，英文叫作proxy server，它的功能是代理网络用户去取得网络信息。形象地说，它是网络信息的中转站。在我们正常请求一个网站时，是发送了请求给Web服务器，Web服务器把响应传回给我们。如果设置了代理服务器，实际上就是在本机和服务器之间搭建了一个桥，此时本机不是直接向Web服务器发起请求，而是向代理服务器发出请求，请求会发送给代理服务器，然后由代理服务器再发送给Web服务器，接着由代理服务器再把Web服务器返回的响应转发给本机。这样我们同样可以正常访问网页，但这个过程中Web服务器识别出的真实IP就不再是我们本机的IP了，就成功实现了IP伪装，这就是代理的基本原理。

那么，代理有什么作用呢？我们可以简单列举如下。

• 突破自身IP访问限制，访问一些平时不能访问的站点。（扩展：nginx反向代理，暴露服务器测试端口到本地）
• 访问一些单位或团体内部资源：比如使用教育网内地址段免费代理服务器，就可以用于对教育网开放的各类FTP下载上传，以及各类资料查询共享等服务。
• 提高访问速度：通常代理服务器都设置一个较大的硬盘缓冲区，当有外界的信息通过时，同时也将其保存到缓冲区中，当其他用户再访问相同的信息时，则直接由缓冲区中取出信息，传给用户，以提高访问速度。
• 隐藏真实IP：上网者也可以通过这种方法隐藏自己的IP，免受攻击。对于爬虫来说，我们用代理就是为了隐藏自身IP，防止自身的IP被封锁。

（2）抓取相关网页。。（这里不作解释，调用一个方法的事）

（3）正则匹配。(通过正则表达式获取有用的数据)

（4）存入数据库或文档（txt，excel等）。

---

但是很多网站也会有相关反爬虫措施：

例如通过监控某个ip的流量，这个ip对网站访问大，频繁，也就是异于平常。可以通过封禁ip。也会有人问了，如果我先采用自己的本地ip爬取网站信息被封了，怎么办？使用代理服务器就行了。就算网站封了你的本地ip，但你通过代理服务器进行中转的话，也对你本地ip进行了伪装，他依然只能识别到代理服务器ip，而不知道你的真正ip。。也许有人问，使代理服务器的ip被封了怎么办？这个情况在开发的过程中也遇到过，，因为抓取大量的网站数据，别人检测异常把代理服务器ip封了（一般爬取1000行数据都网站都不会封的，但你爬取几十w行数据就会出问题了，因为流量太大了），这个时候可以使用ip池，就是建个里面有100多个ip的池子（看你有多少代理服务器的ip）。这个网上淘宝也有相关服务。当你ip被封了，就换ip。或者是用某个ip爬取1000行数据了，也换ip。主要是靠你测试网站封禁ip的极限（流量，访问间隔等等）来设置你更换ip的频率和条件。

---

还有如下反爬常用技术：

验证码反爬：这个反爬曾经可能是可行的，随着技术的更新换代，带来了机器学习，还有OCR。很多图片验证码很多都能搞定！更何况在这个资本主义的时代，打码平台！了解一下～～（这个就不用说了，基本各大网站都用惯了，通过验证码，你要手动验证，当使用爬虫更换ip退出账号的时候，就需要手动设置验证码，，对于爬取小量数据还可以，对于大规模爬取数据，使用这个，，不断验证。。要了老命）

CSS加密+SVG映射反爬：前端女大佬上线！跟我比知识面？我们都知道从请求到数据响应展示不仅仅是后端的事。前端要处理大量的事，比如用CSS做一些渲染。另外JS可以玩出大量招式与花样，一周一个Feature，365天里面基本都不会带重样的。就问你爬虫老哥！你遭得住嘛？（css加密，对前端页面css加密，然爬虫工程师无非根据前端css代母或js代码，编写爬虫，把里面的资源地址都隐藏起来，，这爬虫就爬不到深度内容了。。还有vue的反爬虫措施比传统的框架如bootstrap好不少，但也有解决方法，就是通过解释页面api，获取api的返回数据。一般是json数据，，）

指纹反爬：今时今日出现了一种新的方法替代cookie可以来跟踪用户。在这两年中，许多网站和跟踪软件都开始利用HTML5指纹。如果单单对于canvas指纹识别的话。可以利用它的原理实现破解，可以修改浏览器设置、更换浏览器、更换浏览器不同版本等系统环境，让他失效。但是一般指纹识别会附加很多其他识别因素。再者！这个东西有一个缺陷就是无法验证它的合法性。因其冲突概率非常高！因此，看似“高级”的操作有时候也不一定能实用哦。（指纹无非就是根据你浏览器的基本信息来对你进行识别，更换浏览器版本、设置等可以解决）