最近研究一个小软件，但遇到对方服务器有反爬机制，有点尴尬。
那就只好先了解看看网站防御爬虫都有哪些方式，好知己知彼
反爬机制主要有两大策略：
01
—
控制IP访问频率
最常见的基本都会使用代理IP来进行访问，但是对于一般人来说，几万ip差不多是极限了，所以一个ip还是可能多次请求。意味着爬虫需要付出更多的成本投入在IP资源上，IP越多，爬取的成本越高，自然容易劝退一部分人。
02
—
控制爬取策略
如果简单的只对目标数据进行爬取，反爬系统只要对访问情况和用户行为进行相关分析，其实很简单就能判定爬虫的那堆ip，你除了这堆数据什么都没访问，一看就不是正经用户。
当然策略这个东西，就需要更多的博弈了。爬虫要增加迷惑度，需要去访问一些无关的东西，最后是研究正常用户的访问流程，然后模拟一遍。再者，控制速度。毕竟反爬系统的统计区间是肯定有限制的，不可能拿一个月的数据都分析一遍找出爬虫。
反爬系统的存在，意义就在于增加这个成本。当然也需要衡量自身的成本，毕竟不能本末倒置，反爬成本太高就没价值了。
那网站一般用什么措施防范爬虫呢？主要有以下几种：
1、限制IP地址单位时间的访问次数
没有哪个常人一秒钟内能访问相同网站5次，除非是程序访问，而有这种喜好的，就剩下搜索引擎爬虫和讨厌的采集器了。
弊端：一刀切，这同样会阻止搜索引擎对网站的收录
适用网站：不太依靠搜索引擎的网站
爬虫：减少单位时间的访问次数，减低采集效率
2、屏蔽ip
通过后台计数器，记录来访者ip和访问频率，人为分析来访记录，屏蔽可疑ip。
弊端：似乎没什么弊端，就是站长忙了点
适用网站：所有网站，且站长能够知道哪些是google或者百度的机器人
爬虫：打游击战呗！利用ip代理采集一次换一次，不过会降低爬虫的效率和网速)。
3、利用js加密网页内容
搜索引擎爬虫和采集器通杀，搞死人
适用网站：极度讨厌搜索引擎和采集器的网站
爬虫：你那么牛，成本不允许，我不爬了
4、网页里隐藏网站版权或者一些随机垃圾文字，这些文字风格写在css文件中
虽然不能防止采集，但是会让采集后的内容充满了你网站的版权说明或者一些垃圾文字，因为一般爬虫不会同时采集你的css文件，那些文字没了风格，就显示出来了。
适用网站：所有网站
爬虫：对于版权文字，好办，替换掉。对于随机的垃圾文字，没办法，勤快点了。
5、用户登录才能访问网站内容
搜索引擎爬虫不会对每个这样类型的网站设计登录程序。
适用网站：极度讨厌搜索引擎，且想阻止大部分爬虫的网站
爬虫：制作拟用户登录提交表单行为的模块。
6、利用脚本语言做分页(隐藏分页)
搜索引擎爬虫不会针对各种网站的隐藏分页进行分析，这影响搜索引擎对其收录。但是，采集者在编写采集规则时，要分析目标网页代码，懂点脚本知识的人，就会知道分页的真实链接地址。
适用网站：对搜索引擎依赖度不高的网站，还有，采集你的人不懂脚本知识
爬虫：反正都要分析你的网页代码，顺便分析你的分页脚本，花不了多少额外时间。
7、防盗链措施 (只允许通过本站页面连接查看，如：Request.ServerVariables(“HTTP_REFERER“) )
asp和php可以通过读取请求的HTTP_REFERER属性，来判断该请求是否来自本网站，从而来限制爬虫，同样也限制了搜索引擎爬虫，严重影响搜索引擎对网站部分防盗链内容的收录。
适用网站：不太考虑搜索引擎收录的网站。
爬虫：伪装HTTP_REFERER，不难。
8、全flash、图片或者pdf来呈现网站内容
对搜索引擎爬虫和采集器支持性不好，这个很多懂点seo的人都知道
适用网站：媒体设计类并且不在意搜索引擎收录的网站
爬虫：不爬了，走人
9、网站随机采用不同模版
因为采集器是根据网页结构来定位所需要的内容，一旦先后两次模版更换，采集规则就失效，不错。而且这样对搜索引擎爬虫没影响。
适用网站：动态网站，并且不考虑用户体验
爬虫：一个网站模版不可能多于10个吧，每个模版弄一个规则就行了，不同模版采用不同采集规则。如果多于10个模版了，既然目标网站都那么费劲的更换模版，成全他，撤。
10、采用动态不规则的html标签
这个比较变态。考虑到html标签内含空格和不含空格效果是一样的，所以< div >和< div>对于页面显示效果一样，但是作为采集器的标记就是两个不同标记了。如果每次页面的html标签内空格数随机，那么采集规则就失效了。但是，这对搜索引擎爬虫没多大影响。
适合网站：所有动态且不想遵守网页设计规范的网站
爬虫：还是有对策的，现在html cleaner还是很多的，先清理了html标签，然后再写采集规则;应该用采集规则前先清理html标签，还是能够拿到所需数据。
了解了以上一些常见反爬措施，就可以对症下药了，大不了模拟人工操作
- End -
