网站流量高iis如何做负载均衡淘宝大数据查询平台

代理IP如何选以及常见反爬策略

为什么需要代理？

因为有的网站会封IP，用户如果没有登录，那IP就是身份标识，如果网站发现用户行为异常就非常可能封IP

什么是代理IP

就是让一个人帮你转交请求，帮你转交的人对面不熟，也就难以发现频繁请求的是你

但是要注意我们只能使用高匿代理，透明代理（转交请求同时告诉是帮谁转交的）什么的是不能用的

如何衡量代理

速度：加代理之后3秒钟能相应是优秀，5秒钟之内能相应是能用的

安全：用来路不明的代理有信息安全风险

价格：性价比需要考虑

请求间隔：有的接口有请求间隔限制，尤其是按时收费的这种，也要考虑

稳定性：失效时间人为设置有长时间的和短时间的，短的1到3分钟，长的几天的都有，越长的越贵，我们用短的就行

比较常用的有芝麻代理，小象代理，快代理，站大爷等等

爬虫选择哪种代理

1. 高匿代理：需要代理IP池，否则太费代理，太烧钱
2. 隧道代理
   • 短效版
   • 动态版：以IP生成cookie登录抓取数据 不能满足（IP存活时间短）
3. 代理客户端：贵，但平均每隔代理几秒一换，比较快
   • 优点：
     • 时间恰当，以IP生成cookie登录抓取数据 也能满足

反爬策略

1. 封禁IP类

   • 阈值：

     • 打比方，一分钟60次，第一次封禁2分钟，然后策略改为一分钟45次
     • 打比方，一分钟60次，第二天访问同样的内容，则策略改为一分钟45次（增量爬虫，需每天爬取进行数据更新）

     总结：所以有的代理IP可以复活，代理IP池很有必要（后续会发布）

2. 蜜罐陷阱：网页有正常用户不可访问的链接，爬虫获取并访问此链接将进入无限循环，直到程序崩溃

3. token加密验签

4. 检测环境变量：selenium可以检测环境变量，requests访问同样也可以检测环境变量

爬虫策略

1. 程序模拟抓
   • 可能涉及的问题
     • token加密验签
     • 封禁IP
     • 检测环境变量（不常见）
     • 蜜罐陷阱（不常见）
2. selenium抓
   • 可能涉及的问题
     • 封禁IP
     • 检测环境变量（可以消除指纹）
3. selenium被未知手段封禁，山穷水尽：ODR识别（windows鼠标模拟操作、windows鼠标模拟切换IP、windows鼠标模拟访问数据截图、ODR识别获取数据）
   • 弊端：
     • ODR识别不准，需要进行模型训练
     • 慢，识别七八秒钟
   • 适用场景：
     • 适用于只用获取一次数据的项目，不适合增量爬虫

爬虫注意

1. 不要过于追求爬取速度，速度过快对网站有影响，网站的反爬措施就会更新，对自己没有好处，因为增量爬虫（项目需要维护），不要多进程加协程，一般多进程或者协程即可

更多精致内容