了解网站的防爬机制，一般网站从以下几个方面进行反爬虫:

 

1.通过标头进行反爬网

 

向用户请求标头反爬虫是最常见的反爬虫策略。很多网站会检测到Headers的User-Agent，有些网站会检测到Referer(有些资源网站的防盗链就是检测Referer)。

 

如果遇到这种反爬虫机制，可以直接将header添加到爬虫中，将浏览器的User-Agent复制到爬虫的header中。或者将Referer值修改为目标网站的域名。对于检测标头的反爬网程序，可以通过修改或添加爬网程序中的标头来绕过它。

 

2.基于用户行为的反爬虫

 

也有一些网站检测用户行为，比如同一个IP短时间内多次访问同一个页面，或者同一个账号短时间内多次做同样的操作。

 

大多数网站都是前一种情况，可以通过使用IP代理来解决。我们可以在检测后将代理IP保存在文件中，但是这种方法并不可取，而且代理IP失败的概率很高，所以从专业代理IP网站上实时抓取是一个不错的选择。

 

在第二种情况下，下一个请求可以在每个请求之后的几秒钟的随机时间间隔内发出。一些存在逻辑漏洞的网站可以通过多次请求、注销、再次登录、继续请求等方式，绕过同一账号无法在短时间内多次提出同一请求的限制。

 

对于cookie，检查cookie以确定用户是否是有效用户。需要登录的网站经常使用这种技术。此外，一些网站的登录将被动态更新和验证。例如，用于登录验证的authentication _ token将在Tukuku登录时随机分配，authentication _ token将与用户提交的登录名和密码一起发送回服务器。

 

3.基于动态页面的反爬虫

 

有时抓取目标页面时，发现关键信息内容为空，只有框架代码。这是因为网站的信息通过用户帖子的XHR动态返回内容信息。这个问题的解决方案是通过开发者工具(FireBug等)分析网站流量。)，找到单独的内容信息请求(如Json)，抓取内容信息，得到需要的内容。

 

更复杂的是动态请求的加密，参数无法解析，所以无法抓取。在这种情况下，可以通过Mechanize、selenium RC调用浏览器内核，就像真正的浏览器上网一样，可以最大限度地提高爬行的成功率，但效率会大打折扣。笔者测试过，抓取拉戈30页招聘信息需要30多秒。而用模拟浏览器内核抓取则需要2-3分钟。

 

4.限制一些IP访问

 

免费代理IP可以从很多网站获得。由于爬网程序可以使用这些代理IP来爬网网站，因此网站也可以使用这些代理IP反向限制，通过爬网这些IP并将其保存在服务器上来限制爬网程序。