爬蟲是什么呢，簡單而片面的說，爬蟲就是由計算機自動與服務器交互獲取數據的工具。爬蟲的最基本就是get一個網頁的源代碼數據，如果更深入一些，就會出現和網頁進行POST交互，獲取服務器接收POST請求后返回的數據。一句話，爬蟲用來自動獲取源數據，至于更多的數據處理等等是后續的工作，這篇文章主要想談談爬蟲獲取數據的這一部分。爬蟲請注意網站的Robot.txt文件，不要讓爬蟲違法，也不要讓爬蟲對網站造成傷害。

　　反爬及反反爬概念的不恰當舉例

　　基于很多原因(如服務器資源，保護數據等)，很多網站是限制了爬蟲效果的。

　　考慮一下，由人來充當爬蟲的角色，我們怎么獲取網頁源代碼?最常用的當然是右鍵源代碼。

　　網站屏蔽了右鍵，怎么辦?

　　拿出我們做爬蟲中最有用的東西 F12(歡迎討論)

　　同時按下F12就可以打開了(滑稽)

　　源代碼出來了!!

　　在把人當作爬蟲的情況下，屏蔽右鍵就是反爬取策略，F12就是反反爬取的方式。

　　講講正式的反爬取策略

　　事實上，在寫爬蟲的過程中一定出現過沒有返回數據的情況，這種時候也許是服務器限制了UA頭(user-agent)，這就是一種很基本的反爬取，只要發送請求的時候加上UA頭就可以了…是不是很簡單?

　　其實一股腦把需要不需要的Request Headers都加上也是一個簡單粗暴的辦法……

　　有沒有發現網站的驗證碼也是一個反爬取策略呢?為了讓網站的用戶能是真人，驗證碼真是做了很大的貢獻。隨驗證碼而來的，驗證碼識別出現了。

　　說到這，不知道是先出現了驗證碼識別還是圖片識別呢?

　　簡單的驗證碼現在識別起來是非常簡單的，網上有太多教程，包括稍微進階一下的去噪，二值，分割，重組等概念。可是現在網站人機識別已經越發的恐怖了起來，比如這種：

　　簡單講述一下去噪二值的概念

　　將一個驗證碼

變成

就是二值，也就是將圖片本身變成只有兩個色調，例子很簡單，通過python PIL庫里的

　　Image.convert("1")

　　就能實現，但如果圖片變得更為復雜，還是要多思考一下，比如

如果直接用簡單方式的話 就會變成

思考一些這種驗證碼應該怎么識別?這種時候 去噪 就派上了用處，根據驗證碼本身的特征，可以計算驗證碼的底色和字體之外的RGB值等，將這些值變成一個顏色，將字體留出。示例代碼如下，換色即可

　　for x in range(0,image.size[0]):

　　for y in range(0,image.size[1]):

　　# print arr2[x][y]

　　if arr[x][y].tolist()==底色:

　　arr[x][y]=0

　　elif arr[x][y].tolist()[0] in range(200,256) and arr[x][y].tolist()[1] in range(200,256) and arr[x][y].tolist()[2] in range(200,256):

　　arr[x][y]=0

　　elif arr[x][y].tolist()==[0,0,0]:

　　arr[x][y]=0

　　else:

　　arr[x][y]=255

　　arr是由numpy得到的,根據圖片RGB值得出的矩陣,讀者可以自己嘗試完善代碼，親自實驗一下。

　　細致的處理之后圖片可以變成

識別率還是很高的。

　　在驗證碼的發展中，還算清晰的數字字母，簡單的加減乘除，網上有輪子可以用，有些難的數字字母漢字，也可以自己造輪子(比如上面)，但更多的東西，已經足夠寫一個人工智能了……(有一種工作就是識別驗證碼…)

　　再加一個小提示：有的網站PC端有驗證碼，而手機端沒有…

　　下一個話題!

　　反爬取策略中比較常見的還有一種封IP的策略，通常是短時間內過多的訪問就會被封禁，這個很簡單，限制訪問頻率或添加IP代理池就OK了,當然，分布式也可以…

　　IP代理池->左轉Google右轉baidu，有很多代理網站，雖然免費中能用的不多 但畢竟可以。

　　還有一種也可以算作反爬蟲策略的就是異步數據，隨著對爬蟲的逐漸深入(明明是網站的更新換代!)，異步加載是一定會遇見的問題，解決方式依然是F12。以不愿透露姓名的網易云音樂網站為例，右鍵打開源代碼后，嘗試搜索一下評論

　　數據呢?!這就是JS和Ajax興起之后異步加載的特點。但是打開F12，切換到NetWork選項卡，刷新一下頁面，仔細尋找，沒有秘密。

　　哦，對了 如果你在聽歌的話，點進去還能下載呢…

　　僅為對網站結構的科普，請自覺抵制盜版，保護版權，保護原創者利益。

　　如果說這個網站限制的你死死的，怎么辦?我們還有最后一計，一個強無敵的組合：selenium + PhantomJs

　　這一對組合非常強力，可以完美模擬瀏覽器行為，具體的用法自行百度，并不推薦這種辦法，很笨重，此處僅作為科普。

　　總結

　　本文主要討論了部分常見的反爬蟲策略(主要是我遇見過的(聳肩))。主要包括 HTTP請求頭，驗證碼識別，IP代理池，異步加載幾個方面，介紹了一些簡單方法(太難的不會!)，以Python為主。希望能給初入門的你引上一條路。