前嗅教你大数据：常见的网站反爬策略与解决方案

作者 | 前嗅

来源 | 前嗅大数据（www.forenose.com）

大家在采集数据的过程中经常会遇到网站反爬的情况，不同网站反爬策略也不尽相同。

今天，前嗅为大家总结了我们平时经常碰到的几种反爬策略，以及解决方法。

网站反爬，原理是服务器通过访问者请求中夹带的一些访问者的信息，来识别访问者，并对访问者进行限制。

比如服务器通过请求识别到访问者 IP，对同一个 IP 访问频率做出了限制，那么当同一个 IP 访问频率超过限制时，访问就会出现问题。

前嗅 ForeSpider 数据采集引擎根据网站常见的几种反爬策略，研发了对应解决的设置，用户在使用过程中可以针对不同反爬，进行对应的设置，常见的反爬策略及解决方案有以下几种：

-01- 限制用户 IP 访问频率

通常表现为：

当使用本地 IP 采集速度高于某频率时，就会出现采集错误，页面重定向等情况。

当访问者 IP 信息存储在 cookie 中时，会增加爬虫难度。

解决方案：

1.cookie 中没有记录 IP 时

需要使用动态短效代理 IP/隧道代理 IP，根据网站限制 IP 强度，调整采集速度，购买适量代理 IP，在 ForeSpider 爬虫 IP 代理处设置即可。

2.cookie 中记录 IP 时

需要使用静态长效代理 IP，根据网站限制 IP 强度，调整采集速度，购买适量代理 IP，在 ForeSpider 数据采集系统 IP 代理处设置即可。

-02- 限制用户 ID 访问频率

通常表现为：

采集一段时间后，停止采集/采集错误，浏览器中该页面显示不出来（页面重定向、有验证码、错误页面等情况），清空浏览器浏览记录后，再次打开又可以正常显示。

遇到这种情况时，可以通过观察页面的 cookie 来确认服务器是否限制用户 ID。

当访问页面的 cookie 中有 UID 或其他 ID 字符串时，表示服务器对用户 ID 有识别。还有一种对 UID 加密的情况，这时 cookie 中有一串加密后的字符串。

解决方案：

使用 ForeSpider 采集器高级设置中的多通道采集功能，并设置最大登录用户数，设置代理 IP（使用静态长效代理 IP），通过模拟多用户浏览网站，来解决网站对 ID 的限制。

-03- IP&ID 双重限定

通常表现为：

采集一段时间后，停止采集/采集错误，浏览器中该页面显示不出来（页面重定向、有验证码、错误页面等情况），清空浏览器浏览记录后，再次打开又可以正常显示。

爬虫设置为多通道采集后采集一段时间发现 IP 被封了。也可通过观察页面 cookie 中是否既有 IP 又有 UID/UID 加密的信息，来进行判断。

解决方案：

使用 ForeSpider 数据采集系统高级设置中的多通道采集功能，同时打开动态 IP 锁定，设置好代理 IP（使用静态长效代理 IP），并设置最大登录用户数，来解决网站对账号的限制。如下图所示：

-04- 限制用户账号访问频率

通常表现为：

网站需要登录，登录后采集账号被封。这种情况一般是由于服务器识别用户账号，并限制用户账号访问频率导致的。

解决方案：

注册多个账号，供封号后替换使用。

-05- 用户账号 &用户 IP 双重限制

通常表现为：

网站需要登录，登录后采集账号被封，IP 也被封。使用多通道或者用代理 IP 采集均无效果。这种情况是由于服务器对用户账号和访问 IP 双重限制导致的。

解决方案：

注册多个账号，供封号后替换使用；降低采集速度，使用静态长效代理 IP 进行采集。

如果大家在采集过程中遇到以上的情况，绝大多数都是网站反爬导致的。

只要找好反爬策略，对症下药，就可以有效解决问题。

作者简介

前嗅，企业级大数据供应商，多年来致力于大数据技术研究与开发，自主研发了一套数据采集、挖掘、清洗、分析及可视化的数据处理系统，拥有上万家企业用户。热衷于为大家解决各种数据问题，服务号“前嗅”，微博“@前嗅大数据”，欢迎关注。