首頁  >  文章  >  web前端  >  淺談爬蟲及繞過網站反爬取機制

淺談爬蟲及繞過網站反爬取機制

coldplay.xixi
coldplay.xixi原創
2020-08-25 16:50:313016瀏覽

 淺談爬蟲及繞過網站反爬取機制

【相關學習推薦:#網站製作影片教學

淺談爬蟲及繞過網站反爬取機制

淺談爬蟲及繞過網站反爬取機制

      爬蟲是什麼呢,簡單而片面的說,爬蟲就是由電腦自動與伺服器互動取得資料的工具。爬蟲的最基本就是get一個網頁的源代碼數據,如果更深入一些,就會出現和網頁進行POST交互,獲取伺服器接收POST請求後返回的數據。一句話,爬蟲用來自動獲取來源數據,至於更多的數據處理等等是後續的工作,這篇文章主要想談談爬蟲獲取數據的這一部分。爬蟲請注意網站的Robot.txt文件,不要讓爬蟲違法,也不要讓爬蟲對網站造成傷害。

 

 反爬及反反爬概念的不恰當舉例

  基於很多原因(如伺服器資源,保護資料等),很多網站是限制了爬蟲效果的。

  考慮一下,由人來扮演爬蟲的角色,我們怎麼取得網頁原始碼?最常用的當然是右鍵原始碼。

淺談爬蟲及繞過網站反爬取機制  網站屏蔽了右鍵,怎麼辦?

#  拿出我們做爬蟲中最有用的東西F12(歡迎討論)

淺談爬蟲及繞過網站反爬取機制同時按下F12就可以打開了(滑稽)

淺談爬蟲及繞過網站反爬取機制  源代碼出來了!!

  在把人當作爬蟲的情況下,屏蔽右鍵就是反爬取策略,F12就是反反爬取的方式。

 

 講講正式的反爬取策略

#  事實上,在寫爬蟲的過程中一定出現過沒有回傳資料的情況,這種時候也許是伺服器限制了UA頭(user-agent),這就是一種很基本的反爬取,只要發送請求的時候加上UA頭就可以了…是不是很簡單?

  其實一股腦把需要不需要的Request Headers都加上也是一個簡單粗暴的辦法…

  有沒有發現網站的驗證碼也是一個反爬取策略呢?為了讓網站的用戶能是真人,驗證碼真是做了很大的貢獻。隨驗證碼而來的,驗證碼辨識出現了。

  說到這,不知道是先出現了驗證碼識別還是圖片識別呢?

  簡單的驗證碼現在識別起來是非常簡單的,網上有太多教程,包括稍微進階一下的去噪,二值,分割,重組等概念。可是現在網站人機辨識已經越發的恐怖了起來,比如這種:

#  簡單講述一下去噪二值的概念

  將一個驗證尺寸

######變成################就是一個二值,也就是將圖片本身變成只有兩個色調,例子很簡單,透過python PIL庫裡的######  Image.convert("1")######  就能實現,但如果圖片變得更為複雜,還是要多思考一下,比如# ##############如果直接用簡單方式的話就會變成################思考一些這種驗證碼應該怎麼辨識?這種時候去噪就派上了用處,根據驗證碼本身的特徵,可以計算驗證碼的底色和字體之外的RGB值等,將這些值變成一個顏色,將字體留出。範例程式碼如下,換色即可###
  for x in range(0,image.size[0]):
  for y in range(0,image.size[1]):
  # print arr2[x][y]
  if arr[x][y].tolist()==底色:
  arr[x][y]=0
  elif arr[x][y].tolist()[0] in range(200,256) and arr[x][y].tolist()[1] in range(200,256) and arr[x][y].tolist()[2] in range(200,256):
  arr[x][y]=0
  elif arr[x][y].tolist()==[0,0,0]:
  arr[x][y]=0
  else:
  arr[x][y]=255
###  arr是由numpy得到的,根據圖片RGB值得出的矩陣,讀者可以自己嘗試完善程式碼,親自實驗一下。 ######  細緻的處理之後圖片可以變成################識別率還是很高的。 ###

  在驗證碼的發展中,還算清晰的數字字母,簡單的加減乘除,網上有輪子可以用,有些難的數字字母漢字,也可以自己造輪子(比如上面),但更多的東西,已經足夠寫一個人工智慧了…(有一種工作就是識別驗證碼…)

  再加一個小提示:有的網站PC端有驗證碼,而手機端沒有…

  下一個主題!

  反爬取策略中比較常見的還有一種封IP的策略,通常是短時間內過多的訪問就會被封禁,這個很簡單,限制訪問頻率或添加IP代理池就OK了,當然,分佈式也可以…

  IP代理池->左轉Google右轉baidu,有很多代理網站,雖然免費中能用的不多但畢竟可以。

  還有一種也可以算作反爬蟲策略的就是異步數據,隨著對爬蟲的逐漸深入(明明是網站的更新換代!),異步加載是一定會遇見的問題,解決方式依然是F12。以不願透露姓名的網易雲音樂網站為例,右鍵開啟原始碼後,試著搜尋一下留言

淺談爬蟲及繞過網站反爬取機制

  資料呢?!這就是JS和Ajax興起之後異步加載的特點。但是打開F12,切換到NetWork選項卡,刷新頁面,仔細尋找,沒有秘密。

淺談爬蟲及繞過網站反爬取機制

  哦,對瞭如果你在聽歌的話,點進去還能下載呢…

淺談爬蟲及繞過網站反爬取機制

  僅為對網站架構的科普,請自覺抵制盜版,保護版權,保護原創者利益。

  如果說這個網站限制的你死死的,怎麼辦?我們還有最後一計,一個強無敵的組合:selenium PhantomJs

  這一對組合非常強力,可以完美模擬瀏覽器行為,具體的用法自行百度,不推薦這種辦法,很笨重,此處僅作為科普。

以上是淺談爬蟲及繞過網站反爬取機制的詳細內容。更多資訊請關注PHP中文網其他相關文章!

陳述:
本文內容由網友自願投稿,版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容,請聯絡admin@php.cn