爬虫反反爬

目录

为什么要反爬？

经常被反爬的主要人群

常见的反爬策略

通过headers字段来反爬

通过headers中的User-Agent字段来反爬

通过referer字段或者是其他字段来反爬

通过cookie来反爬

通过请求参数来反爬

通过从html静态文件中获取请求数据(github登录数据)

通过发送请求获取请求数据

通过js生成请求参数

通过验证码来反爬

常见基于爬虫行为进行反爬

基于请求频率或总请求数量

根据爬取行为进行反爬，通常在爬取步骤上做分析

常见基于数据加密进行反爬

对响应中含有的数据进行特殊化处理

---

为什么要反爬？

 爬虫：使用任何技术手段，批量获取网站信息的一种方式。关键在于批量

反爬虫：使用任何技术手段，阻止别人批量获取自己网站信息的一种方式。关键也在于批量

1. 因爬虫的访问频率过高影响服务器的运行

   1. 影响别人业务

   2. 导致服务器宕机

      单一的DoS攻击一般是采用一对一方式的，它利用网络协议和操作系统的一些缺陷，采用欺骗和伪装的策略来进行网络攻击，使网站服务器充斥大量要求回复的信息，消耗网络带宽或系统资源，导致网络或系统不胜负荷以至于瘫痪而停止提供正常的网络服务。

2. 公司的劳动果实轻松并拿走

   1. 免费资源被拿走丢失竞争力
   2. 收费资源属于侵权
   3. 数据保护：某些网站拥有独特、有价值的数据，可能是商业机密、用户隐私或其他敏感信息。通过反爬措施，网站可以限制对这些数据的访问，保护数据的安全和完整性。

3. 商业竞争对象

4. 服务器流量需要钱！

5. 起诉浪费时间、钱，还不一定赢！！

6. 防止滥用：爬虫工具可以自动化地从网站抓取大量数据，如果没有限制，可能导致服务器负载过高、带宽消耗过大，影响网站的正常运行。通过反爬措施，网站可以限制非法的自动化访问，确保服务器资源的合理分配。

7. 维护公平竞争：某些网站提供了用户互动功能，如在线游戏、投票调查等。通过反爬措施，网站可以避免利用爬虫工具进行刷票、刷数据等作弊行为，维护公平竞争环境。

8. 遵守服务条款：网站的服务条款和使用协议通常规定了用户对数据的使用限制和授权范围。通过反爬措施，网站可以确保用户在合法范围内使用数据，并防止未经授权的数据获取和使用。

经常被反爬的主要人群

1. 数据分析师和研究人员：许多数据分析师和研究人员需要从网站上获取数据进行分析、研究和报告撰写。他们可能会受到网站的反爬机制限制，需要寻找方法绕过这些限制以获取所需的数据。

2. 竞争对手和市场研究者：竞争对手和市场研究者可能对竞争对手的产品、价格、营销策略等进行监测和分析。他们可能会使用爬虫工具来收集相关数据，但网站的反爬机制可能会阻止他们的访问。现在的创业公司越来越多，为了发展公司，需要做不少的分析程序，与分析行为，但是分析是需要数据的。若不想买，就只能写爬虫，为了公司的生死存亡，只能不断的爬取数据

3. 学术研究者和学生：学术研究者和学生可能需要从网站上获取特定领域的数据用于研究目的。他们可能会遭遇反爬机制的限制，需要找到方法来绕过这些限制以获取数据。

4. 开发者和技术爱好者：一些开发者和技术爱好者可能对网站的结构、设计和数据交互等感兴趣，他们可能会使用爬虫工具来获取网站数据进行学习和实践。

5. 十分低级的小白(应届生,刚入行）应届毕业生，与小白的的爬虫通常简单粗暴，根本不管服务器压力，加上人数不可测，很容易被反爬。没错就是我！！

6. 不小心写错代码，没人停止的爬虫程序不小心写错，进也死循环。再就是部署服务器，无人维护了，依然不停的爬取数据。

7. 成型的商业对手最主要的对手，往往商业对手既然选择爬取对方的数据，基本都是有技术、钱。如果他们要爬，只能和他们死磕。

常见的反爬策略

通过headers字段来反爬

headers中有很多字段，这些字段都有可能会被对方服务器拿过来进行判断是否为爬虫

通过headers中的User-Agent字段来反爬

• 反爬原理：爬虫默认情况下没有User-Agent，而是使用模块默认设置
• 解决方法：请求之前添加User-Agent即可；更好的方式是使用User-Agent池来解决（收集一堆User-Agent的方式，或者是随机生成User-Agent）

通过referer字段或者是其他字段来反爬

• 反爬原理：爬虫默认情况下不会带上referer字段，服务器端通过判断请求发起的源头，以此判断请求是否合法

• 解决方法：添加referer字段

  

通过cookie来反爬

• 反爬原理：通过检查cookies来查看发起请求的用户是否具备相应权限，以此来进行反爬
• 解决方案：进行模拟登陆，成功获取cookies之后在进行数据爬取

通过请求参数来反爬

请求参数的获取方法有很多，向服务器发送请求，很多时候需要携带请求参数，通常服务器端可以通过检查请求参数是否正确来判断是否为爬虫

通过从html静态文件中获取请求数据(github登录数据)

• 反爬原理：通过增加获取请求参数的难度进行反爬

• 解决方案：仔细分析抓包得到的每一个包，搞清楚请求之间的联系

  

通过发送请求获取请求数据

• 反爬原因：通过增加获取请求参数的难度进行反爬

• 解决方案：仔细分析抓包得到的每一个包，搞清楚请求之间的联系，搞清楚请求参数的来源

  

通过js生成请求参数

• 反爬原理：js生成了请求参数
• 解决方法：分析js，观察加密的实现过程，通过js2py获取js的执行结果，或者使用selenium来实现

通过验证码来反爬

• 反爬原理：对方服务器通过弹出验证码强制验证用户浏览行为
• 解决方法：打码平台或者是机器学习的方法识别验证码，其中打码平台廉价易用，更值得推荐

常见基于爬虫行为进行反爬

基于请求频率或总请求数量

爬虫的行为与普通用户有着明显的区别，爬虫的请求频率与请求次数要远高于普通用户

• 通过请求ip/账号单位时间内总请求数量进行反爬

  • 反爬原理：正常浏览器请求网站，速度不会太快，同一个ip/账号大量请求了对方服务器，有更大的可能性会被识别为爬虫
  • 解决方法：对应的通过购买高质量的ip的方式能够解决问题/购买个多账号

• 通过同一ip/账号请求之间的间隔进行反爬

  • 反爬原理：正常人操作浏览器浏览网站，请求之间的时间间隔是随机的，而爬虫前后两个请求之间时间间隔通常比较固定同时时间间隔较短，因此可以用来做反爬
  • 解决方法：请求之间进行随机等待，模拟真实用户操作，在添加时间间隔后，为了能够高速获取数据，尽量使用代理池，如果是账号，则将账号请求之间设置随机休眠

根据爬取行为进行反爬，通常在爬取步骤上做分析

通过js实现跳转来反爬

• 反爬原理：js实现页面跳转，无法在源码中获取下一页url
• 解决方法: 多次抓包获取条状url，分析规律

通过陷阱获取爬虫ip(或者代理ip)，进行反爬

• 反爬原理：在爬虫获取链接进行请求的过程中，爬虫会根据正则，xpath，css等方式进行后续链接的提取，此时服务器端可以设置一个陷阱url，会被提取规则获取，但是正常用户无法获取，这样就能有效的区分爬虫和正常用户
• 解决方法: 完成爬虫的编写之后，使用代理批量爬取测试/仔细分析响应内容结构，找出页面中存在的陷阱

通过假数据反爬(投毒)

• 反爬原理：向返回的响应中添加假数据污染数据库，通常不会被正常用户看到
• 解决方法: 长期运行，核对数据库中数据同实际页面中数据对应情况，如果存在问题/仔细分析响应内容

阻塞任务队列

• 反爬原理：通过生成大量垃圾url，从而阻塞任务队列，降低爬虫的实际工作效率
• 解决方法: 观察运行过程中请求响应状态/仔细分析源码获取垃圾url生成规则，对URL进行过滤

阻塞网络IO

• 反爬原理：发送请求获取响应的过程实际上就是下载的过程，在任务队列中混入一个大文件的url，当爬虫在进行该请求时将会占用网络io，如果是有多线程则会占用线程
• 解决方法: 观察爬虫运行状态/多线程对请求线程计时

运维平台综合审计

• 反爬原理：通过运维平台进行综合管理，通常采用复合型反爬虫策略，多种手段同时使用
• 解决方法: 仔细观察分析，长期运行测试目标网站，检查数据采集速度，多方面处理

常见基于数据加密进行反爬

对响应中含有的数据进行特殊化处理

通常的特殊化处理主要指的就是css数据偏移/自定义字体/数据加密/数据图片/特殊编码格式等

通过自定义字体来反爬 下图来自猫眼电影电脑版

• 反爬思路: 使用自有字体文件
• 解决思路：切换到手机版/解析字体文件进行翻译

通过css来反爬 去哪儿电脑版

• 反爬思路：源码数据不为真正数据，需要通过css位移才能产生真正数据
• 解决思路：计算css的偏移

---

通过js动态生成数据进行反爬

• 反爬原理：通过js动态生成
• 解决思路：解析关键js，获得数据生成流程，模拟生成数据

通过数据图片化反爬

• 解决思路：通过使用图片解析引擎从图片中解析数据

通过编码格式进行反爬

• 反爬原理: 不适用默认编码格式，在获取响应之后通常爬虫使用utf-8格式进行解码，此时解码结果将会是乱码或者报错
• 解决思路：根据源码进行多格式解码，或者真正的解码格式