**1. 基于請求頻率或總請求數量進行反爬** 爬蟲的行為與普通用戶有著明顯的區別，爬蟲的請求頻率與請求次數要遠高于普通用戶。 * 通過請求ip/賬號單位時間內總請求數量進行反爬 * 反爬原理:正常瀏覽器請求網站，速度不會太快，同一個ip/賬號大量請求了對方服務器，有更大的可能性會被識別為爬蟲 * 解決方法:對應的通過購買高質量的ip的方式能夠解決問題/購買個多賬號 * 通過同一ip/賬號請求之間的間隔進行反爬 * 反爬原理∶正常人操作瀏覽器瀏覽網站，請求之間的時間間隔是隨機的，而爬蟲前后兩個請求之間時間間隔通常比較固定同時時間間隔較短，因此可以用來做反爬 * 解決方法∶請求之間進行隨機等待，模擬真實用戶操作，在添加時間間隔后，為了能夠高速獲取數據，盡量使用代理池，如果是賬號，則將賬號請求之間設置隨機休眠 * 通過對請求ip/賬號每天請求次數設置閾值進行反爬 * 反爬原理:正常的瀏覽行為，其一天的請求次數是有限的，通常超過某一個值，服務器就會拒絕響應 * 解決方法:對應的通過購買高質量的ip的方法/多賬號，同時設置請求間隨機休眠 **2. 根據爬取行為進行反爬，通常在爬取步驟上做分析** * 通過js實現跳轉來反爬 * 反爬原理：js實現頁面跳轉，無法在源碼中獲取下一頁url。 * 解決方法：多次抓包獲取條狀url，分析規律 * 通過蜜罐(陷阱)獲取爬蟲ip(或者代理ip)，進行反爬 * 反爬原理：在爬蟲獲取鏈接進行請求的過程中，爬蟲會根據正則，xpath，css等方式進進行后續鏈接的提取，此時服務器端可以設置一個陷阱url，會被提取規則獲取，但是正常用戶無法獲取，這樣就能有效的區分爬蟲和正常用戶 * 解決方法：完成爬蟲的編寫之后，使用代理批量爬取測試/仔細分析響應內容結構，找出頁面中存在的陷阱 * 通過假數據反爬 * 反爬原理：向返回的響應中添加假數據污染數據庫，通常家屬劇不會被正常用戶看到 * 解決方法：長期運行，核對數據庫中數據同實際頁面中數據對應情況，如果存在問題/仔細分析響應內容 * 阻塞任務隊列 * 反爬原理：通過生成大量垃圾url，從而阻塞任務隊列，降低爬蟲的實際工作效率 * 解決方法：觀察運行過程中請求響應狀態/仔細分析源碼獲取垃圾url生成規則，對URL進行過濾 * 阻塞網絡IO * 反爬原理：發送請求獲取響應的過程實際上就是下載的過程，在任務隊列中混入一個大文件的url，當爬蟲在進行該請求時將會占用網絡io，如果是有多線程則會占用線程 * 解決方法：觀察爬蟲運行狀態/多線程對請求線程計時/發送請求錢 * 運維平臺綜合審計 * 反爬原理：通過運維平臺進行綜合管理，通常采用復合型反爬蟲策略，多種手段同時使用 * 解決方法：仔細觀察分析，長期運行測試目標網站，檢查數據采集速度，多方面處理