问题分类

官网新闻
域名注册问题
虚拟主机问题
VPS主机问题
服务器相关问题
400电话问题
网络营销推广问题
代理系统问题
业界资讯
动态拔号VPS问题

当前栏目点击排行

热门点击

工程师写爬虫的时候遇到过哪些厉害的反爬手段

[来源:www.yunlifang.cn] [作者:云立方动态拨号vps] [日期:19-04-10]

爬虫与反爬虫天生就一对双胞胎,谈到反爬虫,或许你最先想起的是User-Agent+ Referer检测、验证码、ip访问速度、账号及cookie验证等,这类反爬虫对大家而言根本没有难度可言,完全能利用云立方动态vps所获得的代理ip加其它的一些措施实现完美的伪装,接近于真实用户浏览的,可是,别以为这样就没有后顾之忧了,一起来看下脑洞大开的前端工程师的反爬虫措施吧。

网站是如何反击爬虫的

一、 FONT-FACE拼凑式

范例:猫眼电影

猫眼电影网站,针对票房信息等展示的并非纯粹的数字。

网页采用font-face定义了字符集,并利用unicode去映射呈现。换句话说,去掉图像识别,必须同时抓取字符集,才能分辨出数字。

而且,每次页面刷新,字符集的url都会发生改变的,显然更大强度地提高了爬取成本。

二、BACKGROUND拼凑式

范例:美团

与font的方式差不多,美团里采用的是background拼凑。数字其实是图片,按照不同的background偏移,显示出不一样的字符。

而且不同页面,图片的字符排序都是有差异的。不过理论上只需生成0-9与小数点,为什么有重复字符还没有搞明白。

三、字符穿插式

范例:微信公众号文章

一些微信公众平台的文章里,穿插了各类迷之字符,而且按照样式把这些字符隐藏掉。

这类方式尽管惨绝人寰…但我觉得找不到太大的识别与过滤难度,甚至能够做得更好,不过也算作一种脑洞吧。

四、伪元素隐藏式

范例:汽车之家

汽车之家网站里,将关键的厂商数据,做到了伪元素的content里。

这又是一种策略:爬取网页,一定得解析css,还要拿到伪元素的content,这就提高了爬取的难度。

五、元素定位覆盖式

范例:去哪儿

酷爱数学的去哪儿,针对一个4位数的票价,首先用4个i标签渲染,然后2个b标签去绝对定位偏移量,覆盖有意呈现错误的i标签,最终在视觉上建立正确的价格…

这就表明爬虫能解析css还不够,还要会做数学题。

六、IFRAME异步加载式

范例:网易云音乐

网易云音乐网页一打开,html源码里基本上只有一个iframe,而且它的src是空白的:about:blank。接着js开始运行,把整个页面的框架异步塞到了iframe里面…

不过这一方法造成的难度并不大,仅仅在异步与iframe处理上绕了个弯,不管你是用selenium还是phantom,都有API能够拿到iframe里面的content数据。

七、字符集替换式

范例:去哪儿移动版

一样会欺骗爬虫的还有去哪儿的移动版。

html里明明写的3211,视觉上呈现的却是1233。原来他们重新定义了字符集,3与1的顺序刚好调换得来的结果…

因此,进行数据爬取的时候,需要对将爬取的目标进行分析,使用对应的应对措施破解反爬,而其中动态拨号vps正是必不可少的一种工具,它能帮助爬虫工程师解决IP限制问题,如爬虫抓取任务事半功倍。

云立方网产品导航:  动态拨号vps  混合拨号VPS  服务器租用 动态ip  动态ip代理  拨号服务器 挂机宝 香港VPS PPTP 

相关文章