首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >【道高一尺,魔高一丈】Python爬虫之如何应对网站反爬虫策略

【道高一尺,魔高一丈】Python爬虫之如何应对网站反爬虫策略

作者头像
用户5690870
发布2025-07-14 19:33:30
发布2025-07-14 19:33:30
23110
代码可运行
举报
文章被收录于专栏:Python爬虫Python爬虫
运行总次数:0
代码可运行

一、一句话核心

应对反爬策略多种多样,但万变不离其宗,核心一句话就是:

"爬虫越像人为操作,越不会被检测到反爬。"

二、我经常用的反反爬技术:

2.1 模拟请求头

request header,其中最关键的一项,User-Agent,可以写个agent_list,每次请求,随机选择一个agent,像这样:

代码语言:javascript
代码运行次数:0
运行
复制
agent_list = [
  "Mozilla/5.0 (Linux; U; Android 2.3.6; en-us; Nexus S Build/GRK39F) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
  "Avant Browser/1.2.789rel1 (http://www.avantbrowser.com)",
  "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/532.5 (KHTML, like Gecko) Chrome/4.0.249.0 Safari/532.5",
  "Mozilla/5.0 (Windows; U; Windows NT 5.2; en-US) AppleWebKit/532.9 (KHTML, like Gecko) Chrome/5.0.310.0 Safari/532.9",
  "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/534.7 (KHTML, like Gecko) Chrome/7.0.514.0 Safari/534.7",
  "Mozilla/5.0 (Windows; U; Windows NT 6.0; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/9.0.601.0 Safari/534.14",
  "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/10.0.601.0 Safari/534.14",
  "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.20 (KHTML, like Gecko) Chrome/11.0.672.2 Safari/534.20",
  "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.27 (KHTML, like Gecko) Chrome/12.0.712.0 Safari/534.27",
  "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.24 Safari/535.1",
  "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/535.2 (KHTML, like Gecko) Chrome/15.0.874.120 Safari/535.2",
  "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.7 (KHTML, like Gecko) Chrome/16.0.912.36 Safari/535.7",
  "Mozilla/5.0 (Windows; U; Windows NT 6.0 x64; en-US; rv:1.9pre) Gecko/2008072421 Minefield/3.0.2pre",
  "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.9.0.10) Gecko/2009042316 Firefox/3.0.10"
  ]

在调用的时候,随机选取一个就可以了:

代码语言:javascript
代码运行次数:0
运行
复制
'User-Agent': random.choice(agent_list)

当然,你也可以使用fake_useragent(一个前人集成好的随机UA库)这个库,但有时候不好使,通常会报一个这种Error:

fake_useragent.errors.FakeUserAgentError: Maximum amount of retries reached https://zhuanlan.zhihu.com/p/460551008

遇到这种报错不要慌,简单粗暴一点,把fake_useragent的json内容down到本地,目的是把从网站服务器获取,改为从本地获取,就可以避免timeout这种Error了。

json获取地址:https://fake-useragent.herokuapp.com/browsers/0.1.11

2.2 伪造请求cookie

发送请求的时候,request header里面,加上"cookie"这一项,伪造自己登陆了的假象。

从哪里获取"cookie"值呢?同样是按F12打开浏览器开发者模式,找到目标地址对应的headers->request headers,找到cookie这一项,把值复制下来。

放到爬虫代码的请求头里,类似这样:

2.3 随机等待间隔

每次发送请求后,sleep随机等待时间,像这样:

代码语言:javascript
代码运行次数:0
运行
复制
# 随机等待时间是0.5秒和1秒之间的一个小数
time.sleep(random.uniform(0.5, 1))

尽量不要用sleep(1)、sleep(3)这种整数时间的等待,一看就是机器。。 还是那句话,让爬虫程序表现地更像一个人!

2.4 使用代理IP

使用代理IP解决反爬。(免费代理不靠谱,最好使用付费的。有按次数收费的,有按时长收费的,根据自身情况选择) 是什么意思呢,就是每次发送请求,让你像从不同的地域发过来的一样,第一次我的ip地址是河北,第二次是广东,第三次是美国。。。像这样:

代码语言:javascript
代码运行次数:0
运行
复制
def get_ip_pool(cnt):
  """获取代理ip的函数"""
  url_api = '获取代理IP的API地址'
  try:
    r = requests.get(url_api)
    res_text = r.text
    res_status = r.status_code
    print('获取代理ip状态码:', res_status)
    print('返回内容是:', res_text)
    res_json = json.loads(res_text)
    ip_pool = random.choice(res_json['RESULT'])
    ip = ip_pool['ip']
    port = ip_pool['port']
    ret = str(ip) + ':' + str(port)
    print('获取代理ip成功 -> ', ret)
    return ret
  except Exception as e:
    print('get_ip_pool except:', str(e))
proxies = get_ip_pool() # 调用获取代理ip的函数
requests.get(url=url, headers=headers, proxies={'HTTPS': proxies}) # 发送请求

这样,对端服务器就会认为你/你们是很多地域的访客,就算访问很频繁,可能也不会反爬你!

2.5 验证码破解

关于验证码破解,我建议大家阅读崔庆才写的《Python3网络爬虫开发实战》

其中,第8章:验证码的识别,提到了四类验证码的破解

  • 8.1 图形验证码的识别
  • 8.2 极验滑动验证码的识别
  • 8.3 点触验证码的识别
  • 8.4 微博宫格验证码的识别

在8.3章节里,作者提到用第三方打码平台超级鹰平台,我也应用到了下面这个案例。 用第三方打码平台,直接调用它的接口,省心省力。 我之前为了破解Google的recaptcha验证码,就这种:

调用的超级鹰的图像识别打码方法。大致思路是:

  1. 把页面弹出的验证码图片元素,截图保存到本地。
  2. 按照打码平台的图片大小要求,用PIL库进行缩放、裁剪并保存。
  3. 把处理好的图片,通过调用平台api发送给打码平台服务器,平台识别成功后返回坐标值对,利用python的selenium库依次点击相应坐标,完成验证码的自动识别。(此期间需逻辑判断,如果平台返回有误,需重新触发点击操作,直至验证成功)

顺便贴一下python代码:

代码语言:javascript
代码运行次数:0
运行
复制
def f_solve_captcha(v_infile, offset_x, offset_y, multiple=0.55):
  """
  利用超级鹰识别验证码
  :param offset_x: x轴偏移量
  :param offset_y: y轴偏移量
  :param v_infile: 验证码图片
  :param multiple: 图片缩小系数
  :return: 验证码识别结果坐标list
  """
  outfile = 'new-' + v_infile
  # 1、图片缩小到超级鹰要求:宽不超过460px,高不超过310px
  img = Image.open(v_infile)
  w, h = img.size
  w, h = round(w * multiple), round(h * multiple)  # 去掉浮点,防报错
  img = img.resize((w, h), Image.ANTIALIAS)
  img.save(outfile, optimize=True, quality=85)  # 质量为85效果最好
  print('pic smaller done!')
  # 2、调用超级鹰识别
  chaojiying = Chaojiying_Client(cjy_username, cjy_password, cjy_soft_id)
  im = open(outfile, 'rb').read()
  ret = chaojiying.PostPic(im, 9008)
  print(ret)
  loc_list2 = []
  if ret['err_no'] == 0:  # 返回码0代表成功
    loc_list = ret['pic_str'].split('|')
    for loc in loc_list:
      loc_x = round(int(loc.split(',')[0]) / multiple)
      loc_y = round(int(loc.split(',')[1]) / multiple)
      loc_list2.append((loc_x + offset_x, loc_y + offset_y))
    print('超级鹰返回正确,loc_list2 is:')
    print(loc_list2)
    print('长度是:{}'.format(len(loc_list2)))
  else:
    print('超级鹰返回错误!错误码:{},错误内容:{}'.format(ret['err_no'], ret['err_str']))
  return loc_list2

路过的爬虫大佬,可以给我支个招,我感觉这个办法太笨了,有点楞~

三、爬虫写得好,牢饭吃到饱?

关于爬虫这门开发技术,是否触犯法律,一直争议不断。我们作为技术人员,要时刻警醒自己,什么能爬,什么不能爬,心中要有一杆称:

  1. 爬之前,花费你珍贵的10秒钟,看看目标网页的robots.txt,如果人家明确写了User-agent: * Disallow: / ,再爬就是你的不对了不是。。看不懂robots语法的,请自行移步:developers.google.com/s
  2. 别爬敏感数据、隐私数据
  3. 别把数据商用,自己做数据分析,练练手就好
  4. 如果目标网站对外开放了API接口,就直接用吧,别自己写网页爬虫了。正门给你敞开了,你非要爬窗户进,咋地?职业习惯吗??
  5. 别可劲儿爬、可劲儿造,收着点儿,千万别给对端服务器造成访问影响,甚至宕机!

我们身为程序猿/程序媛,写代码是为了让这个世界变得更美好,一定要做遵纪守法的好公民!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2022-01-22,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 老男孩的平凡之路 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、一句话核心
  • 二、我经常用的反反爬技术:
    • 2.1 模拟请求头
    • 2.2 伪造请求cookie
    • 2.3 随机等待间隔
    • 2.4 使用代理IP
    • 2.5 验证码破解
  • 三、爬虫写得好,牢饭吃到饱?
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档