淺談爬蟲及繞過網站反爬取機制

02-02

作者：piaoya0
爬蟲是什麼呢，簡單而片面的說，爬蟲就是由計算機自動與伺服器交互獲取數據的工具。
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，保護數據等），很多網站是限制了爬蟲效果的。

考慮一下，由人來充當爬蟲的角色，我們怎麼獲取網頁源代碼？最常用的當然是右鍵源代碼。

下圖網站屏蔽了右鍵，怎麼辦？！

拿出我們做爬蟲中最有用的東西 F12（歡迎討論）

同時按下F12就可以打開了（滑稽）

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返回數據的情況，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，驗證碼識別出現了。

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。可是現在網站人機識別已經越發的…恐怖了起來

比如這種

簡單講述一下去噪二值的概念

將一個驗證碼`7062`變成`7.0.6.2` 就是二值，也就是將圖片本身變成只有兩個色調，例子很簡單，通過python PIL庫里的

Image.convert("1")n

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識別？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。示例代碼如下，換色即可

for x in range(0,image.size[0]): n for y in range(0,image.size[1]): n # print arr2[x][y] n if arr[x][y].tolist()==底色: arr[x][y]=0 n elif arr[x][y].tolist()[0] in range(200,256) n and arr[x][y].tolist()[1] in range(200,256) n and arr[x][y].tolist()[2] in range(200,256): n arr[x][y]=0 n elif arr[x][y].tolist()==[0,0,0]: arr[x][y]=0 n else: n arr[x][y]=255n

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代碼，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…

下一個話題！

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，分散式也可以…

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非同步數據，隨著對爬蟲的逐漸深入(明明是網站的更新換代！)，非同步載入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，右鍵打開源代碼後，嘗試搜索一下評論

數據呢？！這就是JS和Ajax興起之後非同步載入的特點。但是打開F12，切換到NetWork選項卡，刷新一下頁面，仔細尋找，沒有秘密。

哦，對了如果你在聽歌的話，點進去還能下載呢…

僅為對網站結構的科普，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，並不推薦這種辦法，很笨重，此處僅作為科普。

總結

本文主要討論了部分常見的反爬蟲策略（主要是我遇見過的（聳肩））。主要包括 HTTP請求頭，驗證碼識別，IP代理池，非同步載入幾個方面，介紹了一些簡單方法（太難的不會！），以Python為主。希望能給初入門的你引上一條路，希望能遇見更多的走在路上的前輩。