python3爬虫~~应对反爬策略

通常防止爬虫被反主要有以下几个策略：

一.BAN IP

原因：某一个某一个时刻IP访问量特别特别大 ，或者是超出正常用户使用权限，导致服务器会偶尔把该IP放入黑名单 ，过一段时间再将其放出来

解决办法：分布式爬虫（分布式【分散url的手动分布式，以及框架分布式】）以及购买代理IP（Tor代理~~能买暗网代理），转化成app有的也有效

二.BAN USERAGENT

原因：爬虫请求头就是默认的 python-requests/2.18.4 等等类型在headers的数据包，会直接拒绝访问，返回403错误

解决办法：伪装浏览器头 ，添加其请求头，再发送请求

三.BAN COOKIES

原因：服务器对每一个访问网页的人都set-cookie，给其一个cookies，当该cookies访问超过某一个阀值（请求次数或者timeout值）时就BAN掉该COOKIE

解决办法：

1,控制访问速度 ,

2,在某宝上买多个账号，生成多个cookies，在每一次访问时带上cookies

3,手动获取页面返回cookies

4，解析js拿到其js生成的cookies再带入请求（超级稳）

5，再没有遇到逆天js加载情况下无所不能的selenuim

案例：亚马逊等大型电商平台，马蜂窝

四.验证码验证

原因：当某一用户访问次数过多后，就自动让请求跳转到一个验证码页面，只有在输入正确的验证码之后才能继续访问网站

解决办法：python可以通过一些第三方库如(pytesser,PIL)来对验证码进行处理，识别出正确的验证码，复杂的验证码可以通过机器学习让爬虫自动识别复杂验证码，让程序自动识别验证码并自动输入验证码继续抓取 ，还有最终手段打码平台（兔宝贝，超级鹰等）打码平台99%的能搞定，那1%也可以用打码平台的人工打码搞定。哈哈

短信验证：易码（专业手机短信验证好几年）

二维码验证：打码平台有支持扫码（神一样的验证，我没有遇到过，但听说过）

案例：淘宝，12306

五.javascript渲染

原因：网页开发者将重要信息放在网页中但不写入html标签中，而浏览器会自动渲染