Python爬虫伪装
一、网站防爬机制概述
在当今互联网环境中，具有一定规模或盈利性质的网站几乎都实施了各种防爬措施。这些措施主要分为两大类：
- 身份验证机制：直接将未经授权的爬虫阻挡在外
- 反爬技术体系：通过各种技术手段增加爬虫获取数据的难度
面对这些防御措施，我们需要让爬虫行为尽可能模拟普通用户，才能成功获取所需数据。本文将全面解析爬虫伪装的核心技术。
二、核心伪装策略详解
2.1 Request Headers伪装
通过访问百度，我们可以观察到Request Headers中的关键字段：
-
Referer：指示请求来源页面
-
User-Agent：包含操作系统、浏览器等客户端信息
处理策略：
- 对于检查Referer的网站，必须添加合理的Referer值
- 为每个请求添加真实有效的User-Agent
import requestsheaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36','Referer': 'https://www.baidu.com/','Accept-Language': 'zh-CN,zh;q=0.9',
}response = requests.get('https://www.example.com', headers=headers)
2.2 IP限制解决方案
网站通常会监控IP的访问频率，超出阈值即判定为爬虫并封锁。
应对方案：
-
间歇性访问：在请求间设置随机延迟
import time import randomtime.sleep(random.uniform(1, 3)) # 1-3秒随机延迟 -
IP代理池：对于大规模持续爬取，需使用代理IP
proxies = {'http': 'http://user:pass@10.10.1.10:3128','https': 'http://user:pass@10.10.1.10:1080', } response = requests.get('https://example.com', proxies=proxies)
三、高级反爬机制破解
即使做好基础伪装，仍可能遇到以下复杂情况：
3.1 不规则动态参数
网址中包含无规则的长串参数时，可采用Selenium模拟浏览器：
from selenium import webdriverdriver = webdriver.Chrome()
driver.get("https://example.com")
html = driver.page_source
driver.quit()
3.2 动态校验码
需分析生成规则，常见解决方案：
- OCR识别（如Tesseract）
- 第三方验证码识别服务
- 人工干预（少量请求时）
3.3 动态交互验证
需要模拟用户操作才能通过验证：
from selenium.webdriver.common.by import By
from selenium.webdriver.common.action_chains import ActionChainselement = driver.find_element(By.ID, "slider")
ActionChains(driver).drag_and_drop_by_offset(element, 100, 0).perform()
3.4 分批次异步加载
解决信息不完整问题：
# 滚动页面触发加载
driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
time.sleep(2) # 等待内容加载
四、综合解决方案
-
多维度伪装组合：
- 轮换User-Agent
- 使用会话保持cookies
- 合理设置请求间隔
- 必要时使用代理IP
-
智能切换策略：
if "验证码" in response.text:# 切换到Selenium方案 elif "IP限制" in response.text:# 切换代理IP -
遵守爬取伦理：
- 控制请求频率
- 尊重robots.txt
- 不爬取敏感数据