网络爬虫在爬取目标网站的时候,总是不知不觉就被发现了,然后关进了小黑屋不见天日。那么,到底是什么行为触发了目标网站的反爬机制呢,只有找出了原因才能解决问题,才能避免下次掉进同一个坑里。让我们来看看有哪些行为会被反爬策略发现吧。
1、单一的访问频次过高,:普通人10秒访问一个网页, 爬虫一秒获取10个网页。 2、单一的ip出现非常规的流量,某个IP流量反差巨大。 3、大量的重复简单的网页浏览行为,有规律的访问相同网页。 4、只下载html文档, 不下载js。 5、在页面设置陷阱, 用户看不懂, 爬虫是可以的, 比如 hidden。 6、在页面写一段js代码, 浏览器直接执行, 程序不会执行。 7、判断请求头: 什么都变了,user-agent 万古不变。 这些行为比较明显,很容易被被反爬策略识别出来,要想不被识别,就要尽可能的模仿真实用户行为,可以看看以下一些策略,如果避免触发反爬策略。 1、多主机的策略, 解决单一ip的问题, 分布式爬取。 2、调整访问频次, 设置随机休眠时间,爬一会休息一下。 3、通过不断切换代理ip, 或者直接使用ip代理的形式。 4、 频繁的修改user-agent头。 5、Header中的Cache-Control修改为no-cache。 6、当返回状态码是403(服务器资源禁止访问),改变Header和IP。 ublic static void main(String[] args) throws Exception { HttpGet httpGet = new HttpGet(" //我是专门用来模拟浏览器,让我的请求看起来和真实的浏览器一样 httpGet.setHeader("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8"); httpGet.setHeader("Accept-Encoding", "gzip, deflate, sdch, br"); httpGet.setHeader("Accept-Language", "zh-CN,zh;q=0.8"); httpGet.setHeader("Cache-Control", "no-cache"); httpGet.setHeader("Cookie", "_ntes_nnid=4b1a6bbc71e14269912bdc23980b3fb1,1531559784738; _ntes_nuid=4b1a6bbc71e14269912bdc23980b3fb1;"); httpGet.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36"); httpGet.setHeader("referer"," CloseableHttpClient httpClient = HttpClients.createDefault(); CloseableHttpResponse res = httpClient.execute(httpGet); HttpEntity entity = res.getEntity(); String html = EntityUtils.toString(entity,"utf-8"); System.out.println(html); } |