Python爬虫（一）：爬虫伪装

一、网站防爬机制概述

在当今互联网环境中，具有一定规模或盈利性质的网站几乎都实施了各种防爬措施。这些措施主要分为两大类：

1. 身份验证机制：直接将未经授权的爬虫阻挡在外
2. 反爬技术体系：通过各种技术手段增加爬虫获取数据的难度

面对这些防御措施，我们需要让爬虫行为尽可能模拟普通用户，才能成功获取所需数据。本文将全面解析爬虫伪装的核心技术。

二、核心伪装策略详解

2.1 Request Headers伪装

通过访问百度，我们可以观察到Request Headers中的关键字段：

• Referer：指示请求来源页面

• User-Agent：包含操作系统、浏览器等客户端信息
  
  处理策略：

1. 对于检查Referer的网站，必须添加合理的Referer值
2. 为每个请求添加真实有效的User-Agent

import requestsheaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36','Referer': 'https://www.baidu.com/','Accept-Language': 'zh-CN,zh;q=0.9',
}response = requests.get('https://www.example.com', headers=headers)

2.2 IP限制解决方案

网站通常会监控IP的访问频率，超出阈值即判定为爬虫并封锁。

应对方案：

1. 间歇性访问：在请求间设置随机延迟

   import time
   import randomtime.sleep(random.uniform(1, 3))  # 1-3秒随机延迟
   

2. IP代理池：对于大规模持续爬取，需使用代理IP

   proxies = {'http': 'http://user:pass@10.10.1.10:3128','https': 'http://user:pass@10.10.1.10:1080',
   }
   response = requests.get('https://example.com', proxies=proxies)
   

三、高级反爬机制破解

即使做好基础伪装，仍可能遇到以下复杂情况：

3.1 不规则动态参数

网址中包含无规则的长串参数时，可采用Selenium模拟浏览器：

from selenium import webdriverdriver = webdriver.Chrome()
driver.get("https://example.com")
html = driver.page_source
driver.quit()

3.2 动态校验码

需分析生成规则，常见解决方案：

• OCR识别（如Tesseract）
• 第三方验证码识别服务
• 人工干预（少量请求时）

3.3 动态交互验证

需要模拟用户操作才能通过验证：

from selenium.webdriver.common.by import By
from selenium.webdriver.common.action_chains import ActionChainselement = driver.find_element(By.ID, "slider")
ActionChains(driver).drag_and_drop_by_offset(element, 100, 0).perform()

3.4 分批次异步加载

解决信息不完整问题：

# 滚动页面触发加载
driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
time.sleep(2)  # 等待内容加载

四、综合解决方案

1. 多维度伪装组合：

   • 轮换User-Agent
   • 使用会话保持cookies
   • 合理设置请求间隔
   • 必要时使用代理IP

2. 智能切换策略：

   if "验证码" in response.text:# 切换到Selenium方案
   elif "IP限制" in response.text:# 切换代理IP
   

3. 遵守爬取伦理：

   • 控制请求频率
   • 尊重robots.txt
   • 不爬取敏感数据