反爬虫与反反爬虫的斗争是无止境的,但是,道高一尺魔高一丈,无他,见招拆招。
设置头
这是一种比较低级的反爬手段,主要是验证请求头中的User-Agent字段,判断发起请求的是否是真正的浏览器。稍微进一步的是外加验证Referer字段。
Python学习交流群:1004391443,这里有资源共享,技术解答,还有小编从最基础的Python资料到项目实战的学习资料都有整理,希望能帮助你更了解python,学习python。
PC端
1Opera 2Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60 3Opera/8.0 (Windows NT 5.1; U; en) 4Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50 5Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50 6 7Firefox 8Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0 9Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10 10 11Safari 12Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2 13 14chrome 15Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36 16Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11 17Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML, like Gecko) Chrome/10.0.648.133 Safari/534.16 18 19360 20Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36 21Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko 22 23 24淘宝浏览器 25Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11 26 27猎豹浏览器 28Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER 29Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER) 30Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)" 31QQ浏览器 32Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400) 33Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E) 34sogou浏览器 35Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0 36Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0) 37maxthon浏览器 38Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Maxthon/4.4.3.4000 Chrome/30.0.1599.101 Safari/537.36 39UC浏览器 40Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 UBrowser/4.0.3214.0 Safari/537.36
Phone
1IPhone 2Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5 3 4IPod 5Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5 6 7IPAD 8Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5 9Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5 10 11Android 12Mozilla/5.0 (Linux; U; Android 2.2.1; zh-cn; HTC_Wildfire_A3333 Build/FRG83D) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1 13Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1 14 15QQ浏览器 Android版本 16MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1 17 18Android Opera Mobile 19Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10 20 21Android Pad Moto Xoom 22Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13 23 24BlackBerry 25Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+ 26 27WebOS HP Touchpad 28Mozilla/5.0 (hp-tablet; Linux; hpwOS/3.0.0; U; en-US) AppleWebKit/534.6 (KHTML, like Gecko) wOSBrowser/233.70 Safari/534.6 TouchPad/1.0 29 30Nokia N97 31Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18124 32 33Windows Phone Mango 34Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan) 35 36UC浏览器 37UCWEB7.0.2.37/28/999 38 39NOKIA5700/ UCWEB7.0.2.37/28/999 40 41UCOpenwave 42Openwave/ UCWEB7.0.2.37/28/999 43 44UC Opera 45Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999
代理IP池
稍微常见的反爬虫手段是封杀IP,当某个IP在极短时间内反复请求网站数据,网站会判定该IP发起的请求不是人类操作,是自动爬虫行为。应对的手段也很简单暴力,就是每次都换一个马甲发起请求,也就是使用代理IP,我每次都用一个不同的IP去请求数据,网站自然没法识别了。通常高匿稳定的代理IP都是得花钱的,大家量力而为。
现在我们介绍的是不花钱的免费代理IP池。原理很简单,大家去百度或者谷歌搜索免费代理IP总能搜到几个可用的免费代理IP,有些是付费代理IP网站免费放出一两个来给大家试用的,但是一两个代理IP还是不够用的,至少得有十几个才够我们轮换使用,这时候就有好心人将全网大部分释放免费代理IP的网站给爬了,然后设定一个定时检查器,不断检查这些免费IP是否可用,不能用的就移除,能用的保留,相当于维护了一个可用IP池,这样每次爬虫发起请求时,就从IP池取一个使用。
创建一个IP池,需由四部分组成
- IP获取器
- IP存储器
- IP检测器
- API接口
这里介绍一个简单的开源IP代理池 下载地址:https://github.com/Python3WebSpider/ProxyPool
注意:该项目源码存在兼容性BUG,请大家修改db.py中第30行代码为:
1self.db.zadd(REDIS_KEY, {proxy:score})
验证码识别
当数据请求过多过快时,会弹出验证码界面,只有识别了验证码才能继续请求。
环境准备
安装tesseract一款由HP实验室开发由Google维护的开源 OCR(Optical Character Recognition , 光学字符识别)引擎,与Microsoft Office Document Imaging(MODI)相比,我们可以不断的训练的库,使图像转换文本的能力不断增强
下载地址:http://digi.bib.uni-mannheim.de/tesseract
选择不带dev的为稳定版本下载,下载完成后双击打开,勾选Additional language data(download)选项来安装OCR识别支持的语言包
安装tesserocr
它是Python对tesseract的包装
下载地址:https://github.com/simonflueckiger/tesserocr-windows_build/releases
选择与Python解释器对应的版本下载
使用命令安装whl文件
1python -m pip install tesserocr-2.3.1-cp36-cp36m-win_amd64.whl
最后检查是否已安装pillow
1python -m pip install pillow
注意,坑来了,最后我们还需将之前安装的tesseract目录下的tessdata拷贝至Python解释器的根路径下,否则报错无法运行。
最小示例:
1import tesserocr 2from PIL import Image 3 4image = Image.open('code2.jpg') 5result = tesserocr.image_to_text(image) 6print(result)
直接识别的识别率是不高的,因为验证码中会存在一些干扰线,需要进行一些处理
处理实例
1import tesserocr 2from PIL import Image 3 4image = Image.open('code2.jpg') 5 6# 将图片转为灰度图像 7image = image.convert('L') 8 9# 二值化阈值 10threshold = 127 11table = [] 12for i in range(256): 13 if i < threshold: 14 table.append(0) 15 else: 16 table.append(1) 17 18# 将图片进行二值化处理,必须先转为灰度图像才能二值化处理 19image = image.point(table, '1') 20image.show() 21 22result = tesserocr.image_to_text(image) 23print(result)
补充说明:图像的二值化,就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果
其他反爬的手段
脏数据
在页面数据中人为的制造一些障碍,比如将某段文本动态渲染为图片,导致爬取的数据上下文不完整。
动态渲染
HTML网页中并不包含真正数据,数据是通过JavaScript在浏览器中动态渲染出来的,因此爬虫无法获得动态渲染的数据
加密验证
网页中的URL接口添加了token验证,这时需要人工破译网页中经过混淆的JavaScript加密算法
在以上反爬手段中,最容易解决的是动态渲染,我们只需要借助浏览器驱动去渲染我们需要的数据即可,最难处理的是URL接口的token验证,我们在下一篇中将详解讲解动态渲染的处理方法。