zhensolid/Python-100-Days @ 5dba374428801d3291606d2cbd077a5d6005fa40

常见反爬策略及应对方案

构造合理的HTTP请求头。
- Accept
- User-Agent
- Referer
- Accept-Encoding
- Accept-Language
检查网站生成的Cookie。
- 有用的插件：EditThisCookie
- 如何处理脚本动态生成的Cookie
抓取动态内容。
- Selenium + WebDriver
- Chrome / Firefox - Driver
限制爬取的速度。
处理表单中的隐藏域。
- 在读取到隐藏域之前不要提交表单
- 用RoboBrowser这样的工具辅助提交表单

处理表单中的验证码。

OCR（Tesseract） - 商业项目一般不考虑

专业识别平台 - 超级鹰 / 云打码

from hashlib import md5
     
class ChaoClient(object):
     
 def __init__(self, username, password, soft_id):
     self.username = username
     password =  password.encode('utf-8')
     self.password = md5(password).hexdigest()
     self.soft_id = soft_id
     self.base_params = {
         'user': self.username,
         'pass2': self.password,
         'softid': self.soft_id,
     }
     self.headers = {
         'Connection': 'Keep-Alive',
         'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
     }
     
 def post_pic(self, im, codetype):
     params = {
         'codetype': codetype,
     }
     params.update(self.base_params)
     files = {'userfile': ('captcha.jpg', im)}
     r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
     return r.json()
     
     
if __name__ == '__main__':
 client = ChaoClient('用户名', '密码', '软件ID')
 with open('captcha.jpg', 'rb') as file:                                                
     print(client.post_pic(file, 1902))

绕开“陷阱”。
- 网页上有诱使爬虫爬取的爬取的隐藏链接（陷阱或蜜罐）
- 通过Selenium+WebDriver+Chrome判断链接是否可见或在可视区域
隐藏身份。
- 代理服务 - 快代理 / 讯代理 / 芝麻代理 / 蘑菇代理 / 云代理
《爬虫代理哪家强？十大付费代理详细对比评测出炉！》
- 洋葱路由 - 国内需要翻墙才能使用
```
yum -y install tor
useradd admin -d /home/admin
passwd admin
chown -R admin:admin /home/admin
chown -R admin:admin /var/run/tor
tor
```

常见反爬策略及应对方案.md 2.7 KB Lịch sử Raw

常见反爬策略及应对方案

常见反爬策略及应对方案.md 2.7 KB

Lịch sử Raw