Python 简单应对反爬虫！反爬虫对我来说没效的！

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。

Python 简单应对反爬虫！反爬虫对我来说没效的！

猜你喜欢