爬虫最讨厌的就是反爬虫，但是如果没有反爬虫的存在的，那么大家都可以随随便便就进行网络爬虫，那么服务器又怎么支撑得起来呢？那么又怎么彰显我们的能力呢？
所以说反爬虫是一个门槛，跨过这一个门槛就可以轻松掌握爬虫的技术了，跨不过那么你就一直都在起点而已。
目前常见的反爬虫无非也就是那几种（检查爬虫的请求头、检查发起请求的频率、添加验证码……）
第一种处理请求头
对于请求头进行处理就是一个非常简单的事情了，可以直接使用浏览器的请求头；
headers = {"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36'}
# 直接从浏览器获取一个请求头放置在程序中调用即可
也可以使用python中的第三方库fake-useragent 进行设置，使用python中的第三方库还有一个好处就是：该模块中已经集成了所有的浏览器的请求头，可以直接进行导入，同时还可以随意切换请求头信息。
from fake_useragent import UserAgent
ua = UserAgent() # 获取所有整合之后的浏览器请求头信息
headers = {'User-Agent':ua.random} # 随机获取一个请求头
第二种请求频率的处理
对于服务器对IP地址进行请求次数的限制，当同一个IP在一定的时间内请求的次数过快的时候，就会采取一定的措施进行限制，甚至于会封了该IP地址。
对于这种情况呢？最简单直接的就是添加延时函数，使得请求的频率下降，但同时也会减低了爬虫的效率，这就不是我们想要的效果了。
另外一个办法就是更换代理IP地址，使用代理IP地址，每发起一定次数的请求之后就更换一个IP地址，这样子就是一个非常完美的爬虫了。对于如何更换代理IP以及建立一个属于自己的代理IP池，在我的上几个文章已经有了详细的介绍了，这里就不加以讲解了。
介绍几个免费高匿代理网站：（西祠代理、快代理、云代理……）
第三种验证码的处理
对于验证码如今网络上存在着多种不同的形式的验证码，首先介绍几种简单的验证码形式吧。
字符验证码：在图片上随机产生数字、英文字母或者汉字，一般是4位或者6位的验证码字符。
图形验证码：这类验证码大多是计算机随机产生一个字符串，在把字符串增加噪点、干扰线、变形、重叠、不同颜色、扭曲组成一张图片来增加识别难度。
（上面两类验证码的解决方法：使用orc模块进行二值化图片，提取图片验证码）
如今网络上添加到图片中噪点技术已经相当的成熟，一般使用简单的orc模块进行处理，已经难以识别出验证码内容了。一般都需要结合到机器学习，使用训练好的模型进行识别图片，获取图片验证码内容；或者把图片上传到一些打码平台，使用打码平台的返回结果进行操作。
滑动验证码：也叫行为验证码，比较流行的一种验证码，通过用户的操作行为来完成验证，其中最出名的就是极验。
（解决方案：通过开发者工具，获取原图片以及需要滑动的图片，使用程序对比两张图片的RGB，得出需要活动的距离，之后使用自动化工具（selenium）进行滑动登录，注意滑动的使用需要添加一定的延时或者加速度，使得滑动过程没有那么的平滑，模拟人的行为）
滑动验证码的原理就是使用机器学习中的深度学习技术，根据一些特征来区分是否为正常用户。通过记录用户的滑动速度，还有每一小段时间的瞬时速度，用户鼠标点击情况，以及滑动后的匹配程度来识别。而且，不是说滑动到正确位置就是验证通过，而是根据特征识别来区分是否为真用户，滑到正确位置只是一个必要条件。
点触验证码：点击类验证码都是给出一张包含文字的图片，通过文字提醒用户点击图中相同字的位置进行验证。（解决方案：获取验证码图片，以及需要点击的验证字的顺序，之后对图片进行识别，获取每个验证字的内容，之后组成正确的顺序，获取每个验证字的位置，使用自动化工具进行点击对应的位置）
这种相对于上面的几种验证码而言才是最难解决的。
第四种JavaScript前端渲染数据，对网页进行渲染
1、尝试在开发者工具中查找数据的来源，找到数据的接口，使用数据接口进行调用，获取数据，简单直接；如果使用开发者工具无法抓到数据包，可以使用第三方的抓包软件进行抓包（fiddler等等）。
2、对于一些复杂的网页，在找不到数据接口的情况下，可以使用selenium模块，使用内置浏览器模拟网页正常打开，获取源代码数据，但是效率不高。
3.对于一些大型的网站，在PC端的网页版难以寻找到突破口的时候，可以尝试使用网页版的手机端网站，进行获取数据（前提：存在手机端的网页版）。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/115142.html原文链接：https://javaforall.net
