登录 注册

　　网络爬虫在互联网上，每时每刻都在火热开展，无论是爬取数据参考分析，还是爬取竞争对手数据，每天互联网上的爬虫，难以数清。但是爬虫也不是毫无限制的，这就是为什么爬虫需要配置ip代理，因为它能够帮我们突破限制。

　　让爬虫能够突破限制的方式：

　　1、减少返回的信息

　　最基本的隐藏真实的数据量，只有不断加载才能刷新信息。还有的就更变态，会只给你展示一部分信息，人都看不到，爬虫也无能为力。比如CNKI，你每次搜索能够得到的内容就是非常有限的。这个貌似没有很好的解决办法，但是这么干的网站毕竟是少数，因为这种方式，其实在某种程度上是牺牲了一部分真实用户的体验。

　　2、Headers限制

　　这应该是最常见的，最基本的反爬虫手段，主要是初步判断你是否是真实的浏览器在操作。这个一般很好解决，把浏览器中的Headers信息复制上去就OK了。

　　3、验证码

　　我们在很多网站会遇到，如果请求量大了之后就会遇到验证码的情况。最让人诟病的12306，其实也是一定程度上的防止非正当请求的产生。对于验证码，可以通过OCR来识别图片，Github上面有很多大神分享的代码可以用，可以去看看。

　　4、IP限制

　　限制IP也是很多网站反爬虫的初衷，但是我们可以通过换IP软件不断更换IP的形式来绕过这种限制，通过从IP海购买ip代理服务即可。

　　5、动态加载

　　通过异步加载，一方面是为了反爬虫，一方面也可以给网页浏览带来不同的体验，实现更多的功能。很多动态网站都是通过ajax或者JavaScript来加载请求的网页。在遇到动态加载的网页的时候就需要去分析ajax请求，一般情况都能直接找到包含我们想要数据的json文件。如果网站给文件加密，那么可以通过selenium+phantomJS框架，调用浏览器内核，并利用phantomJS执行js来模拟人为操作以及触发页面中的js脚本。理论上selenium是比较全能的爬虫方案，因为这个确实算是真实的用户行为。除非网站的反爬虫严苛到宁愿误杀的地步。

　　未来大数据会更加渗入到不同的行业，网络爬虫数量只会是往上增长，这也意味着ip代理的使用也会更多。