python 爬虫 伪装浏览器

python 爬虫 伪装浏览器

造数 - 这次教教大家专业的爬虫伪装技巧

有些网站会识别访问者是通过浏览器还是爬虫，如果被识别使用的不是浏览器，则会禁止用户在网站上的行为。这也就是放爬虫。

常见的反爬虫机制有：分析用户请求的headers信息

检测用户行为，如短时间内同一个IP频繁访问

动态加载增加爬虫难度

验证码反爬虫

信息需要登录才能显示

常见的大家可能都见过，那么不常见的呢？

有的网站某些信息是加密的，可能浏览器上看到的是这样，我们复制出来看到的又不一样，这种需要解密；

有的网站会检测用户鼠标移动情况，爬虫肯定是没有鼠标移动的，那么肯定被干掉；

还有就是代理IP，我们都知道网上存在大量代理IP，通过一些网站我们可以拿到免费IP，但是别人网站页可以拿到的，别人拿到这些IP后直接BAN掉，所以失效，需使用更高效的ADSL拨号代理。

还有更变态的是，遇到需要点击某元素才能进行下一步的网站。

下面说一说使用Python写爬虫时，如何反反爬虫。

1、关于headers

常见的为浏览器加入headers，需要设置Requests Headers里面的内容

其中的每一个参数都有自己的作用，面对不同的网站时方法也不一样。

常见的就是设置User-Agent ，这里推荐一个包 fake-useragent

2、关于代理

简单方法就是购买，免费的和收费的相比还是差了不少。

如果想获得免费的可用的代理如何办？

可以看到在 Google 上可以看到很多搜索结果，接下来怎么做你懂的。

3、关于Cookie

请求会返回多个Cookie，我们从其中找到最有效的Cookie，这回极大的提高效率

4、关于Selenium

Selenium可以完美解决反爬，因为它就是一个真实的浏览器在操作，网站没理由把它干掉。

但是也要看到Selenium的缺点，速度慢、效率低是最主要问题。自己写着玩玩可以，但是在真是的应用中，Selenium并不常见。

当然，你可以使用Selenium+Phantomjs，并对其进行优化，速度和别的爬虫还是没法比。

写在最后，爬虫一直是知乎上的热门话题，今天介绍一些爬虫伪装技巧，若有错误请指出。

若大家觉得自己写爬虫麻烦，也可以来试试我们的产品造数 - 最酷的智能云爬虫