Python爬蟲開發(fā)：反爬蟲措施以及爬蟲編寫注意事項
↑ 關(guān)注 + 星標 ，每天學Python新技能
后臺回復(fù)【大禮包】送你Python自學大禮包
反爬蟲的幾重措施
1.IP限制
如果是個人編寫的爬蟲，IP可能是固定的，那么發(fā)現(xiàn)某個IP請求過于頻繁并且短時間內(nèi)訪問大量的頁面，有爬蟲的嫌疑，作為網(wǎng)站的管理或者運維人員，你可能就得想辦法禁止這個IP地址訪問你的網(wǎng)頁了。那么也就是說這個IP發(fā)出的請求在短時間內(nèi)不能再訪問你的網(wǎng)頁了，也就暫時擋住了爬蟲。
2.User-Agent
User-Agent是用戶訪問網(wǎng)站時候的瀏覽器的標識
下面我列出了常見的幾種正常的系統(tǒng)的User-Agent大家可以參考一下，
并且在實際發(fā)生的時候，根據(jù)瀏覽器的不同，還有各種其他的User-Agent，我舉幾個例子方便大家理解：
safari 5.1 – MAC
User-Agent:Mozilla/5.0 (Macintosh; U; IntelMac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1Safari/534.50
Firefox 4.0.1 – MAC
User-Agent: Mozilla/5.0 (Macintosh; IntelMac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1
Firefox 4.0.1 – Windows
User-Agent:Mozilla/5.0 (Windows NT 6.1;rv:2.0.1) Gecko/20100101 Firefox/4.0.1
同樣的也有很多的合法的User-Agent，只要用戶訪問不是正常的User-Agent極有可能是爬蟲再訪問，這樣你就可以針對用戶的User-Agent進行限制了。
3、 驗證碼反爬蟲
這個辦法也是相當古老并且相當?shù)挠行Ч绻粋€爬蟲要解釋一個驗證碼中的內(nèi)容，這在以前通過簡單的圖像識別是可以完成的，但是就現(xiàn)在來講，驗證碼的干擾線，噪點都很多，甚至還出現(xiàn)了人類都難以認識的驗證碼（某二三零六）。
4.Ajax異步加載
5.Noscript標簽的使用
<noscript>標簽是在瀏覽器（或者用戶瀏覽標識），沒有啟動腳本支持的情況下觸發(fā)的標簽，在低級爬蟲中，基本都沒有配置js引擎，通常這種方式和Ajax異步加載同時使用。用于保護自己不想讓爬蟲接觸的信息。
6.Cookie限制
第一次打開網(wǎng)頁會生成一個隨機cookie，如果再次打開網(wǎng)頁這個cookie不存在，那么再次設(shè)置，第三次打開仍然不存在，這就非常有可能是爬蟲在工作了。很簡單，在三番屢次沒有帶有該帶的cookie，就禁止訪問。
爬蟲編寫注意事項
在這一部分，筆者希望就自己的經(jīng)驗給大家編寫爬蟲提供比較可行的建議，也為大家提一個醒：
1.道德問題，是否遵守robots協(xié)議；
2.小心不要出現(xiàn)卡死在死循環(huán)中，盡量使用urlparser去解析分離url決定如何處理，如果簡單的想當然的分析url很容易出現(xiàn)死循環(huán)的問題；
3.單頁面響應(yīng)超時設(shè)置，默認是200秒，建議調(diào)短，在網(wǎng)絡(luò)允許的條件下，找到一個平衡點，避免所有的爬蟲線程都在等待200，結(jié)果出現(xiàn)效率降低；
4.高效準確的判重模式，如果判重出現(xiàn)問題，就會造成訪問大量已經(jīng)訪問過的頁面浪費時間；
5.可以采用先下載，后分析的方法，加快爬蟲速度；
6.在異步編程的時候要注意資源死鎖問題；
7.定位元素要精準（xpath）盡量避免dirty data。
希望大家提出自己的意見，本系列大多數(shù)時間都在從微觀的角度講爬蟲各個部件的解決方案。
