python爬蟲之反爬蟲技術
一般網站從三個方面反爬蟲：1.使用者請求的Headers，2.使用者行為，3.網站目錄和資料載入方式。
前兩種比較容易遇到，大多數網站都從這些角度來反爬蟲。第三種一些應用ajax的網站會採用，這樣增大了爬取的難度（防止靜態爬蟲使用ajax技術動態載入頁面）。
1、從使用者請求的Headers反爬蟲是最常見的反爬蟲策略。
偽裝header。很多網站都會對Headers的User-Agent進行檢測，還有一部分網站會對Referer進行檢測（一些資源網站的防盜鏈就是檢測Referer）。如果遇到了這類反爬蟲機制，可以直接在爬蟲中新增Headers，將瀏覽器的User-Agent複製到爬蟲的Headers中；或者將Referer值修改為目標網站域名[評論：往往容易被忽略，通過對請求的抓包分析，確定referer，在程式中模擬訪問請求頭中新增]。對於檢測Headers的反爬蟲，在爬蟲中修改或者新增Headers就能很好的繞過。
2、基於使用者行為反爬蟲
還有一部分網站是通過檢測使用者行為，例如同一IP短時間內多次訪問同一頁面，或者同一賬戶短時間內多次進行相同操作。[這種防爬，需要有足夠多的ip來應對]
（1）、大多數網站都是前一種情況，對於這種情況，使用IP代理就可以解決。可以專門寫一個爬蟲，爬取網上公開的代理ip，檢測後全部儲存起來。有了大量代理ip後可以每請求幾次更換一個ip，這在requests或者urllib中很容易做到，這樣就能很容易的繞過第一種反爬蟲。
（2）、對於第二種情況，可以在每次請求後隨機間隔幾秒再進行下一次請求。有些有邏輯漏洞的網站，可以通過請求幾次，退出登入，重新登入，繼續請求來繞過同一賬號短時間內不能多次進行相同請求的限制。[評論：對於賬戶做防爬限制，一般難以應對，隨機幾秒請求也往往可能被封，如果能有多個賬戶，切換使用，效果更佳]3、動態頁面的反爬蟲
上述的幾種情況大多都是出現在靜態頁面，還有一部分網站，我們需要爬取的資料是通過ajax請求得到，或者通過Java生成的。
解決方案：Selenium+PhantomJS
Selenium：自動化web測試解決方案，完全模擬真實的瀏覽器環境，完全模擬基本上所有的使用者操作
PhantomJS ：一個沒有圖形介面的瀏覽器
總結如圖：
