我們可以把互聯(lián)網(wǎng)上搬運(yùn)數(shù)據(jù)的程序看成小螞蟻，它們需要采集不同的食物帶回洞里存儲(chǔ)。但是大家也知道白蟻泛濫的事件，在我們的網(wǎng)絡(luò)環(huán)境里，如果爬蟲都集中在某幾個(gè)位置，最直接的結(jié)果就是這個(gè)網(wǎng)站的擁擠。對(duì)于我們這些網(wǎng)站訪問(wèn)者而言也不是好事情，首先網(wǎng)頁(yè)的頁(yè)面會(huì)被卡住。網(wǎng)站的管理人員面對(duì)爬蟲過(guò)多，這時(shí)候就要進(jìn)行一系列的限制措施了，這里小編分了兩個(gè)大的應(yīng)對(duì)方向，從不同的角度進(jìn) 行分析爬蟲過(guò)多的解決思路。

一、識(shí)別爬蟲

1. HTTP請(qǐng)求頭

這算是最基礎(chǔ)的網(wǎng)絡(luò)爬蟲識(shí)別了，正常的網(wǎng)絡(luò)訪問(wèn)者都是通過(guò)瀏覽器對(duì)網(wǎng)站進(jìn)行訪問(wèn)的。而瀏覽器都會(huì)帶上自己的請(qǐng)求頭以表明自己的基礎(chǔ)信息。而這也是最容易被爬蟲程序突破的識(shí)別手段，因?yàn)镠TTP請(qǐng)求頭誰(shuí)都可以進(jìn)行修改和偽造。

2. Cookie值

Cookie通常用來(lái)標(biāo)識(shí)網(wǎng)站訪問(wèn)者的身份，就像是手上的一張臨時(shí)憑證。并憑著這個(gè)憑著與網(wǎng)站服務(wù)器進(jìn)行身份的校對(duì)。很遺憾，Cookie是保存在客戶端的數(shù)據(jù)，也可以被修改和偽造。

3. 訪問(wèn)頻率

如果一個(gè)訪問(wèn)者，每隔1秒請(qǐng)求一次網(wǎng)站的某個(gè)頁(yè)面，或者一秒鐘請(qǐng)求了幾百次這個(gè)頁(yè)面。這個(gè)訪問(wèn)者不是爬蟲程序就有鬼了。試問(wèn)人類中有誰(shuí)能快速和頻繁地點(diǎn)擊鼠標(biāo)訪問(wèn)一個(gè)頁(yè)面?他是得了帕金森綜合征還是八爪魚轉(zhuǎn)世?

通過(guò)訪問(wèn)頻率來(lái)識(shí)別爬蟲程序是可行的，但是爬蟲程序也能通過(guò)使用大量的代理IP來(lái)實(shí)現(xiàn)一個(gè)IP地址只訪問(wèn)了一次的效果，也可以通過(guò)隨機(jī)的請(qǐng)求時(shí)間間隔規(guī)避。

4. 鼠標(biāo)行為軌跡

正常人類訪問(wèn)者瀏覽網(wǎng)頁(yè)勢(shì)必不會(huì)像機(jī)器一樣，機(jī)械地移動(dòng)和點(diǎn)擊鼠標(biāo)。而鼠標(biāo)的移動(dòng)和點(diǎn)擊，是可以通過(guò)JS腳本捕獲到的，所以可以通過(guò)判斷訪問(wèn)者的鼠標(biāo)行為軌跡來(lái)判斷訪問(wèn)者是否為爬蟲程序。

5. token值

現(xiàn)在很多網(wǎng)站都是前后端分離開發(fā)的，數(shù)據(jù)通過(guò)后端接口返回給前端，前端拿到數(shù)據(jù)再結(jié)合頁(yè)面進(jìn)行渲染。所以很多爬蟲程序都直接找數(shù)據(jù)接口，而不是傻傻地請(qǐng)求頁(yè)面了。token就用在驗(yàn)證這些后端數(shù)據(jù)接口上。token一般通過(guò)網(wǎng)頁(yè)上的某個(gè)密鑰加上時(shí)間再加上某些數(shù)據(jù)組合加密而成。

還有更多地識(shí)別爬蟲的手段在此就不一一進(jìn)行介紹。很遺憾的是，上述任何一種識(shí)別爬蟲的手段，都有可能被爬蟲繞過(guò)和突破。

二、拒絕爬蟲

1. 內(nèi)容上限制內(nèi)容的開放

開放的內(nèi)容是獲取用戶、流量的基礎(chǔ)，所以內(nèi)容必須是開放的。但是內(nèi)容的開放并不是無(wú)限制的開放。非注冊(cè)用戶可以看到一篇內(nèi)容、兩篇內(nèi)容，但是不能無(wú)限地一直看到內(nèi)容。這個(gè)限制，可以是要求登錄，可以是要求掃碼驗(yàn)證，可以是接入谷歌驗(yàn)證碼之類的點(diǎn)擊驗(yàn)證機(jī)制。

現(xiàn)在已經(jīng)有越來(lái)越多的網(wǎng)站采用了有限內(nèi)容開放的機(jī)制，比如微博、知乎、淘寶等，你可以看到一頁(yè)兩頁(yè)的內(nèi)容，但是如果還想繼續(xù)，對(duì)不起請(qǐng)登錄。

2. 行為上記錄用戶操作

需要訪問(wèn)者進(jìn)行登錄并不能解決問(wèn)題，因?yàn)槟M登錄一直是網(wǎng)絡(luò)爬蟲程序的一個(gè)熱門發(fā)展分支，無(wú)論是圖片驗(yàn)證碼、拼圖、滑塊還是點(diǎn)選漢字，都會(huì)被突破。甚至于短信驗(yàn)證碼都可以通過(guò)編寫APP與爬蟲程序和網(wǎng)站之間進(jìn)行通信。

所以記錄用戶行為必不可少，用戶的一切操作和訪問(wèn)行為都需要記錄在案，這是分析和處理爬蟲的基礎(chǔ)。

3. 控制上嚴(yán)厲打擊高頻行為

從實(shí)際上來(lái)看，也有很多爬蟲程序的運(yùn)行并非是為了往死里薅網(wǎng)站的數(shù)據(jù)和內(nèi)容，僅僅是為了方便進(jìn)行手工的收集和整理工作，這種類型的爬蟲行為一般會(huì)比人工瀏覽的頻次要高，但是又顯著低于鬣狗般的高頻爬蟲，對(duì)這種類型的爬蟲行為可以忽略掉。做人留一線，日后好相見。

但是對(duì)于影響網(wǎng)站服務(wù)器運(yùn)行的高頻爬蟲行為，高防服務(wù)器必須采取措施。結(jié)合用戶和IP信息，對(duì)相關(guān)用戶或IP進(jìn)行處理。

4. 協(xié)議里申明權(quán)利

網(wǎng)站的所有者必須在網(wǎng)站協(xié)議或用戶協(xié)議里申明，允許正常的瀏覽、訪問(wèn)和數(shù)據(jù)獲取，對(duì)于異常、高頻、威脅網(wǎng)站服務(wù)器穩(wěn)定的行為，將保留進(jìn)一步處理的權(quán)利。

到此這篇關(guān)于python爬蟲泛濫的解決方法詳解的文章就介紹到這了,更多相關(guān)python爬蟲泛濫的解決實(shí)例內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論