登錄 注冊

　　網絡爬蟲在互聯網上，每時每刻都在火熱開展，無論是爬取數據參考分析，還是爬取競爭對手數據，每天互聯網上的爬蟲，難以數清。但是爬蟲也不是毫無限制的，這就是為什么爬蟲需要配置ip代理，因為它能夠幫我們突破限制。

　　讓爬蟲能夠突破限制的方式：

　　1、減少返回的信息

　　最基本的隱藏真實的數據量，只有不斷加載才能刷新信息。還有的就更變態，會只給你展示一部分信息，人都看不到，爬蟲也無能為力。比如CNKI，你每次搜索能夠得到的內容就是非常有限的。這個貌似沒有很好的解決辦法，但是這么干的網站畢竟是少數，因為這種方式，其實在某種程度上是犧牲了一部分真實用戶的體驗。

　　2、Headers限制

　　這應該是最常見的，最基本的反爬蟲手段，主要是初步判斷你是否是真實的瀏覽器在操作。這個一般很好解決，把瀏覽器中的Headers信息復制上去就OK了。

　　3、驗證碼

　　我們在很多網站會遇到，如果請求量大了之后就會遇到驗證碼的情況。最讓人詬病的12306，其實也是一定程度上的防止非正當請求的產生。對于驗證碼，可以通過OCR來識別圖片，Github上面有很多大神分享的代碼可以用，可以去看看。

　　4、IP限制

　　限制IP也是很多網站反爬蟲的初衷，但是我們可以通過換IP軟件不斷更換IP的形式來繞過這種限制，通過從IP海購買ip代理服務即可。

　　5、動態加載

　　通過異步加載，一方面是為了反爬蟲，一方面也可以給網頁瀏覽帶來不同的體驗，實現更多的功能。很多動態網站都是通過ajax或者JavaScript來加載請求的網頁。在遇到動態加載的網頁的時候就需要去分析ajax請求，一般情況都能直接找到包含我們想要數據的json文件。如果網站給文件加密，那么可以通過selenium+phantomJS框架，調用瀏覽器內核，并利用phantomJS執行js來模擬人為操作以及觸發頁面中的js腳本。理論上selenium是比較全能的爬蟲方案，因為這個確實算是真實的用戶行為。除非網站的反爬蟲嚴苛到寧愿誤殺的地步。

　　未來大數據會更加滲入到不同的行業，網絡爬蟲數量只會是往上增長，這也意味著ip代理的使用也會更多。