zoukankan      html  css  js  c++  java

  • 爬虫、反爬虫、反反爬虫

    最近爬取了百万数据，以下是学习爬虫时汇总的相关知识点

    什么是爬虫和反爬虫

    • 爬虫 —— 使用任何技术手段批量获取网站信息的一种方式，关键在批量。
    • 反爬虫 —— 使用任何技术手段，阻止别人批量获取自己网站信息的一种方式。关键也在于批量。
    • 误伤 —— 在反爬虫的过程中，错误的将普通用户识别为爬虫。误伤率高的反爬虫策略，效果再好也不能用。
    • 拦截 —— 成功地阻止爬虫访问。通常来说，拦截率越高的策略，误伤率就越高，因此要做权衡。
    • 资源 —— 机器成本与人力成本的总和。

    反什么样的爬虫

    • 应届毕业生(三月份爬虫)
      三月份爬虫通常和毕业生(本科生、硕士、博士等)有关，他们的爬虫简单粗暴，为了让论文有数据支撑，根本不管服务器压力，加上人数不可预测，很容易弄挂站点。

    • 创业小公司
      每年新增的创业公司很多，程序开发完后，缺少数据支撑，出于公司生死存亡的考虑，不断爬取数据。

    • 不小心写错了没人去停止的失控小爬虫
      像知乎，携程，财经等网站，可能高达60%的访问量是爬虫。你就算直接封杀，也无济于事。他们可能根本爬不到任何数据了，除了http code是200以外，一切都是不对的，但由于托管后无人认领，仍然会依然孜孜不倦地爬取。

    • 成型的商业对手
      这是最大的对手，有技术，有钱，要什么有什么，如果和你死磕，你就只能硬着头皮和他死磕。

    • 抽风的搜索引擎
      搜索引擎也有抽风的时候，而且一抽风就会导致服务器性能下降，请求量跟网络攻击没有区别。

    常见的爬虫、反爬虫手段


    [1] 爬取的前提是知道网站/APP的存在，如果系统不对外开放，你可能连它的存在都不知道。

    [2] APP的请求可以用Fiddler抓取，具体操作见文尾的相关链接。一些APP的爬取相对Web难度较高，文本可能进行了压缩和加密，甚至为了节省用户流量，部分请求不走后端，Fiddler自然抓取不到。

    [3] 拦截率越高的策略，误伤率就越高，甚至影响搜索引擎的收录。如果网站包含不希望被搜索引擎收录的内容，可以在站点部署 robots 文件。

    [4] 知乎就不太可能为了反扒强制要求输入验证码，而CSDN的文件一旦下载次数过多，就会强制输入验证码。

    [5] 关于验证码的识别与反识别也是一部恢弘壮丽的斗争史，目前的人机识别验证就是比较有效的反爬手段。数字验证码识别详见: 爬虫的坎坷之路-数字验证码识别

    [6] 关于人类访问特征的介绍，详见: 当爬虫不遵守 robots 协议时，有没有防止抓取的可能？

    [7] 反爬虫的关键在于阻止被批量爬取，重点在批量。反爬虫技术的核心在于不断变更规则，比如不断变更验证码。
    我们在内容上可以做如下文章：

    • 网站不同地方的文本内容添加不同的自带标签，增加对方数据清理难度。
    • 关键数据由文本转图片，甚至添加水印等。目前市场上图片ocr识别无法有效转文字，让对方即使获取了图片也无法有效使用。
    • 网站相关页面的列表查询，限制总页数的展示。比如数据一共1K页，相关接口却只对外展示前十页。对方找不到入口最多爬取10页数据。
    • 间接关闭网站核心数据查看入口，比如内容的查看像百度文库一样改为word、pdf或者ppt下载模式，高频下载需要验证码或者账号积分。
    • 网站不提供注册入口，或者注册需要内部推荐或者评审，加大爬虫方获取账号的难度。
    • 网站的请求url复杂化，比如弄的像淘宝一样没有规律，id改为UUID等。
    • 前端页面尽可能不暴露数据的唯一键，对唯一键如主键id等进行伪装，可以增加对方爬取后的去重成本。因为对方爬数据可能是在你的多个模块页面进行多维度爬取，会有大量的重复数据。
    • 前端html页面别一次性加载列表，根据用户点击js动态加载。即查询页面源码时，只能看到列表的第一条数据。
    • 当确定访问异常时，大量返回虚假数据。爬虫几乎没有判断数据真假的能力，只有人才有。对方发现的越晚，我们的处理应对时间就越充裕。
    • 核心数据提高安全等级，单独加密等。
      ....

    疑问相关

    1、爬虫是否涉嫌违法？ 如果是的话，怎么要求赔偿？
    爬取的内容商业使用目前更倾向属于违法行为，但是在国内还是个擦边球，难以起诉成功。如果不想被批量爬取，技术才是最后保障。

    2、在爬虫与反爬虫的对弈中，谁会胜利？
    爬虫与反爬虫的重点都在于批量，没有绝对的胜利方。但是可以确定的是，只要人类能够正常访问的网页，爬虫在具备同等资源的情况下一定是可以抓取到，只是能否短时间内大批量爬取的问题。

    3、怎么快速爬取数据？
    首先考虑的是用网上各种破解版爬虫软件爬取数据，比如火车头采集器。即能用软件解决的爬取步骤，就没必要写代码实现，因为程序员比软件和服务器等资源金贵。其次考虑的才应该是如何用代码解决软件实现不了的步骤。

    4、为什么需要反爬虫？

    • 公司的重要资源被批量爬取，丧失竞争力。
    • 爬虫占总PV比例太高，因为高访问量浪费了太多钱。
    • 爬虫拖垮了站点，严重影响了用户体验。
    • 资源被爬取难以起诉成功，对方可以肆意爬取。

    链接相关
  • 相关阅读:
    Apache Beam入门及Java SDK开发初体验
    fetch的请求
    Spring Cache 带你飞(一)
    存储技术发展过程
    Redis 高阶数据类型重温
    Redis 基础数据类型重温
    [源码解析] PyTorch 分布式(1)------历史和概述
    [源码解析] PyTorch 如何实现后向传播 (4)---- 具体算法
    [源码解析] Pytorch 如何实现后向传播 (3)---- 引擎动态逻辑
    [源码解析] Pytorch 如何实现后向传播 (2)---- 引擎静态结构
  • 原文地址：https://www.cnblogs.com/wangxin37/p/6398745.html
Copyright © 2011-2022 走看看