注意: IP代理精灵仅提供国内ip网络节点,不提供境外网络节点,不能用于任何非法用途或访问境外封闭网站,不能跨境联网,只能用于合法的国内网络加速。

请登录 注册 实名验证

首页 > 新闻资讯 > 网站反爬虫和爬虫的应对方法

网站反爬虫和爬虫的应对方法

来源:互联网 作者:admin 时间:2019-02-22 15:20:42

网站反爬虫比较多,robots限制是最基本的,告诉爬虫们哪些是不可以爬取的。还有其他的限制,比如常见的有IP限制,验证码限制,还有User-Agent检测,JS脚本等等,不同的反爬虫可以起到不同的效果。


网站反爬虫和爬虫的应对方法


1.robots.txt限制


搜索引擎本身就是一个超级大的爬虫,爬虫可以24h不间断的在网上爬取着新的信息,并返回给数据库,但是这些搜索引擎的爬虫都遵守着一个协议:robots.txt


robots.txt协议并不是一个规范,而只是约定俗成的,所以并不能保证网站的隐私。当然在特定情况下,比如说我们爬虫的获取网页的速度,和人类浏览网页是差不多的,这并不会给服务器造成太大的性能损失,在这种情况下,我们是可以不用恪守robots协议的。


2.JS脚本限制


举个例子:如果想爬取某个网站,在请求之前,它会有一个验证页面来验证你是否机器。即会通过js代码生成一大段随机的数字,然后要求浏览器通过js的运算得出这一串数字的和,再返回给服务器。


解决方法:使用PhantomJS


PhantomJS是一个Python包,他可以在没有图形界面的情况下,完全模拟一个”浏览器“,js脚本验证什么的再也不是问题了。


3.User-Agent检测


无论是浏览器还是爬虫程序,在向服务器发起网络请求的时候,都会发过去一个头文件:headers,表明身份。对于爬虫程序来说,最需要注意的字段就是User-Agent,很多网站都会建立user-agent白名单,只有属于正常范围的user-agent才能够正常访问。


解决方法:可以自己设置一下user-agent,或者更好的是,可以从一系列的user-agent里随机挑出一个符合标准的使用。


上文介绍了关于三种网站反爬虫的解决方法,仅供参考,若是在爬取的过程中还是遇到问题,可能是网站还有其他的反爬虫,这在爬取之前是需要进行分析,并找到问题解决的。


如:P限制,可以使用IP代理精灵;验证码限制,可以使用人工打码或者验证码识别...


最新资讯

推荐阅读

  1. 26

    2019-04

    如何下载安全绿色的代理IP软件

    一提到代理IP软件,很多人想到的是“有没有病毒”“安不安全”等问题,总以为使用代理伪装自己的IP地址是为了干坏事,其实这是对代理IP软件的误解。本文今天就来教教大家如何下载安全绿

  2. 01

    2019-08

    高匿代理IP是什么意思

    在代理IP被人们所熟知的大环境下,常常有一些词汇,例如高匿代理IP,那么想知道高匿代理IP是什么意思,首先需要简单了解一下代理IP的原理。代理IP就是作为用户与互联网之间的中转站,提高

  3. 22

    2019-04

    代理IP使用过程经常遇到哪些错误?

    代理IP使用过程经常遇到哪些错误?在使用代理IP的过程中,我们经常会遇到一些问题,可能一夜醒来,发现代理IP全都不能用了,也有可能就吃了个中午饭,下午的代理IP就大面积失效了,这是

  4. 04

    2019-11

    2019代理ip最新识别方法

    2019代理ip最新识别方法

  5. 06

    2019-06

    如何选择购买https代理ip

    如何选择购买https代理ip呢?其实在之前,而且https代理ip平台,并没有在大众用户中普及。更多需要购买这种服务的都是一些淘宝商家或者电商人员。因为他们需要借助这种功能来进行刷单或者

  6. 14

    2019-05

    如何使用代理网络来管理和抓取社交媒体

    管理多个社交媒体帐户或抓取数据时,您可能会获得验证码,或者您的请求可能会被屏蔽。社交网站正在实施严格而复杂的限制,以控制它们的使用方式。无论您是管理帐户还是使用抓取工具,