爬蟲是什么呢，簡單而片面的說，爬蟲就是由計算機(jī)自動與服務(wù)器交互獲取數(shù)據(jù)的工具。爬蟲的最基本就是get一個網(wǎng)頁的源代碼數(shù)據(jù)，如果更深入一些，就會出現(xiàn)和網(wǎng)頁進(jìn)行POST交互，獲取服務(wù)器接收POST請求后返回的數(shù)據(jù)。一句話，爬蟲用來自動獲取源數(shù)據(jù)，至于更多的數(shù)據(jù)處理等等是后續(xù)的工作，這篇文章主要想談?wù)勁老x獲取數(shù)據(jù)的這一部分。爬蟲請注意網(wǎng)站的Robot.txt文件，不要讓爬蟲違法，也不要讓爬蟲對網(wǎng)站造成傷害。

　　反爬及反反爬概念的不恰當(dāng)舉例

　　基于很多原因(如服務(wù)器資源，保護(hù)數(shù)據(jù)等)，很多網(wǎng)站是限制了爬蟲效果的。

　　考慮一下，由人來充當(dāng)爬蟲的角色，我們怎么獲取網(wǎng)頁源代碼?最常用的當(dāng)然是右鍵源代碼。

　　網(wǎng)站屏蔽了右鍵，怎么辦?

　　拿出我們做爬蟲中最有用的東西 F12(歡迎討論)

　　同時按下F12就可以打開了(滑稽)

　　源代碼出來了!!

　　在把人當(dāng)作爬蟲的情況下，屏蔽右鍵就是反爬取策略，F(xiàn)12就是反反爬取的方式。

　　講講正式的反爬取策略

　　事實(shí)上，在寫爬蟲的過程中一定出現(xiàn)過沒有返回數(shù)據(jù)的情況，這種時候也許是服務(wù)器限制了UA頭(user-agent)，這就是一種很基本的反爬取，只要發(fā)送請求的時候加上UA頭就可以了…是不是很簡單?

　　其實(shí)一股腦把需要不需要的Request Headers都加上也是一個簡單粗暴的辦法……

　　有沒有發(fā)現(xiàn)網(wǎng)站的驗(yàn)證碼也是一個反爬取策略呢?為了讓網(wǎng)站的用戶能是真人，驗(yàn)證碼真是做了很大的貢獻(xiàn)。隨驗(yàn)證碼而來的，驗(yàn)證碼識別出現(xiàn)了。

　　說到這，不知道是先出現(xiàn)了驗(yàn)證碼識別還是圖片識別呢?

　　簡單的驗(yàn)證碼現(xiàn)在識別起來是非常簡單的，網(wǎng)上有太多教程，包括稍微進(jìn)階一下的去噪，二值，分割，重組等概念。可是現(xiàn)在網(wǎng)站人機(jī)識別已經(jīng)越發(fā)的恐怖了起來，比如這種：

　　簡單講述一下去噪二值的概念

　　將一個驗(yàn)證碼

變成

就是二值，也就是將圖片本身變成只有兩個色調(diào)，例子很簡單，通過python PIL庫里的

　　Image.convert("1")

　　就能實(shí)現(xiàn)，但如果圖片變得更為復(fù)雜，還是要多思考一下，比如

如果直接用簡單方式的話 就會變成

思考一些這種驗(yàn)證碼應(yīng)該怎么識別?這種時候 去噪 就派上了用處，根據(jù)驗(yàn)證碼本身的特征，可以計算驗(yàn)證碼的底色和字體之外的RGB值等，將這些值變成一個顏色，將字體留出。示例代碼如下，換色即可

　　for x in range(0,image.size[0]):

　　for y in range(0,image.size[1]):

　　# print arr2[x][y]

　　if arr[x][y].tolist()==底色:

　　arr[x][y]=0

　　elif arr[x][y].tolist()[0] in range(200,256) and arr[x][y].tolist()[1] in range(200,256) and arr[x][y].tolist()[2] in range(200,256):

　　arr[x][y]=0

　　elif arr[x][y].tolist()==[0,0,0]:

　　arr[x][y]=0

　　else:

　　arr[x][y]=255

　　arr是由numpy得到的,根據(jù)圖片RGB值得出的矩陣,讀者可以自己嘗試完善代碼，親自實(shí)驗(yàn)一下。

　　細(xì)致的處理之后圖片可以變成

識別率還是很高的。

　　在驗(yàn)證碼的發(fā)展中，還算清晰的數(shù)字字母，簡單的加減乘除，網(wǎng)上有輪子可以用，有些難的數(shù)字字母漢字，也可以自己造輪子(比如上面)，但更多的東西，已經(jīng)足夠?qū)懸粋€人工智能了……(有一種工作就是識別驗(yàn)證碼…)

　　再加一個小提示：有的網(wǎng)站PC端有驗(yàn)證碼，而手機(jī)端沒有…

　　下一個話題!

　　反爬取策略中比較常見的還有一種封IP的策略，通常是短時間內(nèi)過多的訪問就會被封禁，這個很簡單，限制訪問頻率或添加IP代理池就OK了,當(dāng)然，分布式也可以…

　　IP代理池->左轉(zhuǎn)Google右轉(zhuǎn)baidu，有很多代理網(wǎng)站，雖然免費(fèi)中能用的不多 但畢竟可以。

　　還有一種也可以算作反爬蟲策略的就是異步數(shù)據(jù)，隨著對爬蟲的逐漸深入(明明是網(wǎng)站的更新?lián)Q代!)，異步加載是一定會遇見的問題，解決方式依然是F12。以不愿透露姓名的網(wǎng)易云音樂網(wǎng)站為例，右鍵打開源代碼后，嘗試搜索一下評論

　　數(shù)據(jù)呢?!這就是JS和Ajax興起之后異步加載的特點(diǎn)。但是打開F12，切換到NetWork選項(xiàng)卡，刷新一下頁面，仔細(xì)尋找，沒有秘密。

　　哦，對了 如果你在聽歌的話，點(diǎn)進(jìn)去還能下載呢…

　　僅為對網(wǎng)站結(jié)構(gòu)的科普，請自覺抵制盜版，保護(hù)版權(quán)，保護(hù)原創(chuàng)者利益。

　　如果說這個網(wǎng)站限制的你死死的，怎么辦?我們還有最后一計，一個強(qiáng)無敵的組合：selenium + PhantomJs

　　這一對組合非常強(qiáng)力，可以完美模擬瀏覽器行為，具體的用法自行百度，并不推薦這種辦法，很笨重，此處僅作為科普。

　　總結(jié)

　　本文主要討論了部分常見的反爬蟲策略(主要是我遇見過的(聳肩))。主要包括 HTTP請求頭，驗(yàn)證碼識別，IP代理池，異步加載幾個方面，介紹了一些簡單方法(太難的不會!)，以Python為主。希望能給初入門的你引上一條路。