常见反爬策略及应对方案

  1. 构造合理的HTTP请求头。

    • Accept

    • User-Agent

    • Referer

    • Accept-Encoding

    • Accept-Language

  2. 检查网站生成的Cookie。

    • 有用的插件：EditThisCookie
    • 如何处理脚本动态生成的Cookie

  3. 抓取动态内容。

    • Selenium + WebDriver
    • Chrome / Firefox - Driver

  4. 限制爬取的速度。

  5. 处理表单中的隐藏域。

    • 在读取到隐藏域之前不要提交表单
    • 用RoboBrowser这样的工具辅助提交表单

  6. 处理表单中的验证码。

    • OCR（Tesseract） - 商业项目一般不考虑

    • 专业识别平台 - 超级鹰 / 云打码

      from hashlib import md5

      class ChaoClient(object):

          def __init__(self, username, password, soft_id):
              self.username = username
              password =  password.encode('utf-8')
              self.password = md5(password).hexdigest()
              self.soft_id = soft_id
              self.base_params = {
                  'user': self.username,
                  'pass2': self.password,
                  'softid': self.soft_id,
              }
              self.headers = {
                  'Connection': 'Keep-Alive',
                  'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
              }

          def post_pic(self, im, codetype):
              params = {
                  'codetype': codetype,
              }
              params.update(self.base_params)
              files = {'userfile': ('captcha.jpg', im)}
              r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
              return r.json()


      if __name__ == '__main__':
          client = ChaoClient('用户名', '密码', '软件ID')
          with open('captcha.jpg', 'rb') as file:                                                
              print(client.post_pic(file, 1902))

  7. 绕开“陷阱”。

    • 网页上有诱使爬虫爬取的爬取的隐藏链接（陷阱或蜜罐）
    • 通过Selenium+WebDriver+Chrome判断链接是否可见或在可视区域

  8. 隐藏身份。