反爬蟲的一二三四

一、通過user-agent來控制訪問：

無論是瀏覽器還是爬蟲程式，在向伺服器發起網路請求的時候，都會發過去乙個標頭檔案：headers，比如知乎的requestsheaders:

accept-encoding:gzip, deflate, sdch, br

accept-language:zh-cn,zh;q=0.8,en;q=0.6,zh-tw;q=0.4,da;q=0.2,la;q=0.2

cache-control:max-age=0

connection:keep-alive

cookie: **********

host:

referer:ehco - 知乎

upgrade-insecure-requests:1

query string parameters

view source

view url encoded

這裡面的大多的數的字段都是瀏覽

這裡面的大多數的字段都是瀏覽器向伺服器」表明身份「用的

對於爬蟲程式來說，最需要注意的字段就是：user-agent

很多**都會建立 user-agent白名單，只有屬於正常範圍的user-agent才能夠正常訪問。

比如知乎：

import requests

import bs4
import random
def get_html(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status
return r.text
except:
return "someting wrong！"
print(get_html(''))
# out：
'''an internal server error occured.
'''

這裡就是因為requests庫本身的headers是這樣的：

解決方法：

可以自己設定一下user-agent，或者更好的是，可以從一系列的user-agent裡隨機挑出乙個符合標準的使用，**如下：

def get_agent():

'''模擬header的user-agent欄位，
返回乙個隨機的user-agent字典型別的鍵值對
'''agents = ['mozilla/5.0 (compatible; msie 9.0; windows nt 6.1; trident/5.0;',
'mozilla/5.0 (macintosh; intel mac os x 10.6; rv,2.0.1) gecko/20100101 firefox/4.0.1',
'opera/9.80 (macintosh; intel mac os x 10.6.8; u; en) presto/2.8.131 version/11.11',
'mozilla/4.0 (compatible; msie 7.0; windows nt 5.1; 360se)']
fakeheader = {}
fakeheader['user-agent'] = agents[random.randint(0, len(agents))]
return fakeheader
# 注意看新的請求函式：
def get_html(url):
try:
r = requests.get(url, timeout=30,headers=get_agent())
r.raise_for_status
return r.status_code    
except:
return "someting wrong！"
'''out:
200'''

如果乙個固定的ip在短暫的時間內，快速大量的訪問乙個**，那自然會引起注意，管理員可以通過一些手段把這個ip給封了，爬蟲程式自然也就做不了什麼了。

解決方法：

比較成熟的方式是：ip**池

簡單的說，就是通過ip**，從不同的ip進行訪問，這樣就不會被封掉ip了。

可是ip**的獲取本身就是乙個很麻煩的事情，網上有免費和付費的，但是質量都層次不齊。如果是企業裡需要的話，可以通過自己購買集群雲服務來自建**池。

這裡實現了乙個簡單的**轉換，**如下：

def get_proxy():

'''簡答模擬**池
返回乙個字典型別的鍵值對，
return fakepxs

這個可以說是終極的辦法了，因為，爬蟲終歸只是一段程式，它並不能像人一樣去應對各種變化，如驗證碼，滑動解鎖之類的。

舉個例子：如果想爬取某個**，但是在進入**之前，它會有乙個驗證頁面來驗證你是不是機器。

它是怎麼驗證的呢：

他會通過js**生成一大段隨機的數字，然後要求瀏覽器通過js的運算得出這一串數字的和，再返回給伺服器.

解決方法：

這裡就要請出乙個大殺器：」phantomjs「

phantomjs是乙個python包，他可以在沒有圖形介面的情況下，完全模擬乙個」瀏覽器「，js指令碼驗證什麼的再也不是問題了。

世界上做爬蟲最大最好的就是google了，搜尋引擎本身就是乙個超級大的爬蟲，google開發出來爬蟲24h不間斷的在網上爬取著新的資訊，並返回給資料庫，但是這些搜尋引擎的爬蟲都遵守著乙個協議：robots.txt

robots.txt（統一小寫）是一種存放於**根目錄下的ascii編碼的文字檔案，它通常告訴網路搜尋引擎的漫遊器（又稱網路蜘蛛），此**中的哪些內容是不應被搜尋引擎的漫遊器獲取的，哪些是可以被漫遊器獲取的。因為一些系統中的url是大小寫敏感的，所以robots.txt的檔名應統一為小寫。robots.txt應放置於**的根目錄下。如果想單獨定義搜尋引擎的漫遊器訪問子目錄時的行為，那麼可以將自定的設定合併到根目錄下的robots.txt，或者使用robots元資料（metadata，又稱元資料）。

robots.txt協議並不是乙個規範，而只是約定俗成的，所以並不能保證**的隱私。注意robots.txt是用字串比較來確定是否獲取url，所以目錄末尾有與沒有斜槓「/」表示的是不同的url。robots.txt允許使用類似"disallow: *.gif"這樣的萬用字元[1][2]。

來看一下京東的'robots.txt'：

user-agent: * 

disallow: /?* 
disallow: /pop/*.html 
disallow: /pinpai/*.html?* 
user-agent: etaospider 
disallow: / 
user-agent: huihuispider 
disallow: / 
user-agent: gwdangspider 
disallow: / 
user-agent: wochachaspider 
disallow: /

8.3.1修改請求 header

hpuoj 1039 一二三四 同餘定理

時間限制 1 sec 記憶體限制 128 mb 提交 238 解決 88 經過乙個多月的學習生活，楊八方已經愛上了這個學校。這天她行走在老體育場旁的小路上，突然聽到了一陣口號聲。一二三四，二二三四，三二三四，再來一次。那麼問題來了，同學的口號組成了乙個序列 1234 2234 3234 1234 2...

聽！IBM中國的新佇列口號 一！二！三！ 四！

2015年2月2日，ibm公司宣布任命陳黎明擔任ibm大中華區董事長。7月31日，ibm宣布錢大群先生將於2015年9月30日退休，同時任命王天義女士為ibm大中華區總經理，後者向陳黎明匯報。這也預示著，ibm大中華區正式進入陳黎明時代，開啟新的篇章。8月11日，陳黎明率領部分ibm大中華區業務高管...

書單記錄。生活不只有ABCD，還有一二三四

202已看書單 1 城南舊事 2 傲慢與偏見 3 乙個陌生女人的來信 剛看完的 乙個陌生女人的來信 不需要很多的歷史背景或者文化背景去理解這本書，對於我淺顯的閱讀和理解來看，只是把它當成了乙個愛情故事來讀，覺得它放在任何背景下都能讀懂，而且這本書的翻譯也特別符合中文的表達。最初是看聲臨其境的綜藝，知...