當爬蟲被拒絕時(Access Denied)

     由於要准備測試數據，不得不大量爬取某個網站的內容。為了防止被封，特意將爬蟲設計為單線程同步的爬蟲。結果在爬了大約3萬個頁面的時候，對方發回Access Denied。等一段時間后再啟動爬蟲，結果還是Access Denied。這時才明白這樣的想法太天真了，當初就應該找其它方法來避免才對。而本文則記述了這些其它方法。

1. 偽裝user agent

      User agent 是HTTP協議的中的一個字段， 其作用是描述發出HTTP請求的終端的一些信息。 服務器通過這個字段就可以知道要訪問網站的是什么人了。每個瀏覽器，每個正規的爬蟲都有其固定的user agent，因此只要將這個字段改為這些知名的user agent，就可以成功偽裝了。不過，不推薦偽裝知名爬蟲，因為這些爬蟲很可能有固定的IP，如百度爬蟲。與此相對的，偽裝瀏覽器的user agent是一個不錯的主意，因為瀏覽器是任何人都可以用的，換名話說，就是沒有固定IP。推薦准備若干個瀏覽器的user agent，然后每次發送請求的時候就從這幾個user agents中隨機選一個填上去。IE的幾個user agent如下：

Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0)
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.2)
Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)

設置代碼如下（假設使用JAVA + HttpClient 4.1.2)

HttpGet getMethod = new HttpGet("URL");
getMethod.setHeader("User-Agent", "user agent內容");

 

2. log in

      雖然有些網站不登陸就能訪問，但是它一檢測到某IP的訪問量有異常，就會馬上提出登陸要求。如果是不帶驗證碼的，那么果斷登陸吧。不過，在登陸之前要做些准備——查清楚POST登陸請求時要附帶哪些參數。我的做法是先用badboy錄制登陸過程，然后將這一過程導出為jmeter文件，最后用jmeter查看登陸所需的參數。查完后，就可以登陸，具體如下所示

        DefaultHttpClient httpclient = new DefaultHttpClient();
        HttpPost postMethod = new HttpPost("http://passport.cnblogs.com/login.aspx");    //注意用post
        
        //登陸博客園所需要的參數
        List<NameValuePair> nvps = new ArrayList<NameValuePair>(); 
        nvps.add(new BasicNameValuePair("tbUserName", "風炎"));  
        nvps.add(new BasicNameValuePair("tbPassword", "zero"));
        nvps.add(new BasicNameValuePair("btnLogin", "登  錄"));
        nvps.add(new BasicNameValuePair("__EVENTTARGET", ""));
        nvps.add(new BasicNameValuePair("__EVENTARGUMENT", ""));
        nvps.add(new BasicNameValuePair("__VIEWSTATE", "/wEPDwULLTE1MzYzODg2NzZkGAEFHl9fQ29udHJvbHNSZXF1aXJlUG9zdEJhY2tLZXlfXxYBBQtjaGtSZW1lbWJlcm1QYDyKKI9af4b67Mzq2xFaL9Bt"));
        nvps.add(new BasicNameValuePair("__EVENTVALIDATION", "/wEWBQLWwpqPDQLyj/OQAgK3jsrkBALR55GJDgKC3IeGDE1m7t2mGlasoP1Hd9hLaFoI2G05"));        
        nvps.add(new BasicNameValuePair("ReturnUrl", "http://www.cnblogs.com/"));
        nvps.add(new BasicNameValuePair("txtReturnUrl", "http://www.cnblogs.com/"));
        
        postMethod.setEntity(new UrlEncodedFormEntity(nvps, HTTP.UTF_8));  
        HttpResponse response = httpclient.execute(postMethod);    

         由於httpClient會自動管理cookie，所以接下來直接get或者post就行了。

 

3. 使用代理

      如果對方用某段時間內某IP的訪問次數來判定爬蟲，然后將這些爬蟲的IP都封掉的話，以上偽裝就失效了。對方的這個思路隱含着一個假設：爬蟲的訪問量必然比正常用戶的大很多，因而只要使這個假設不成立就可以了。這時就該代理上場了。所謂代理就是介於用戶與網站之間的第三者：用戶先將請求發到代理，然后代理再發到服務器，這樣看起來就像是代理在訪問那個網站了。這時，服務器會將這次訪問算到代理頭上。同時用多個代理的話，單個IP的訪問量就降下去了，於是就有可能逃過一劫。不過，這個方法最大的問題就是找到穩定的代理（有錢買代理的，可以無視這句話）。我目前是在無憂代理找，但找到的大部分都不能用，少部分能用的也不穩定。求分享好用的免費代理。

      假設找到/買了N個代理，那么要如何管理這些代理呢？我的想法是做一個類似於內存池的IP池。這樣做的好處是便於管理以及易於擴展。當只有一個代理時，其用法如下所示

        DefaultHttpClient httpclient = new DefaultHttpClient();
        
        //此代理不保證你看到的時候還存活
        HttpHost proxy = new HttpHost("u120-227.static.grapesc.cz", 8080);
        httpclient.getParams().setParameter(ConnRoutePNames.DEFAULT_PROXY,proxy);
        
        //如果代理要認證，則加上以下語句
//        httpclient.getCredentialsProvider().setCredentials(new AuthScope("proxy adress", proxy port),   
//                new UsernamePasswordCredentials("username", "password"));   
        
        //記得將網址拆成以下形式
        HttpHost targetHost = new HttpHost("www.cnblogs.com");    //網站名前面不要加http:// 
        HttpGet httpget = new HttpGet("/FengYan/");
        
        HttpResponse response = httpclient.execute(targetHost, httpget); 

        補充下，如果是ADSL撥號，那么無需擔心被封IP，因為一般來說，當你重新撥號時，你會得到一個不一樣的IP。

4. 降低訪問頻率

      如果說找不到又免費又穩定的代理呢？那只好用最后一招了——降低訪問頻率。這樣做可以達到與用代理一樣的效果——防止被對方從訪問量上看出來。當然，在抓取效率上會差很多。此外，降低訪問頻率只是一個指導思想，在這個思想下，可以得到很多具體做法，例如：每抓取一個頁面就休息隨機秒（個人感覺比固定時間的要好）；限制每天抓取的頁面數量。

 

5. 總結

     防止被封的“理”是偽裝成正常用戶，只要按着這個“理”走，總能找到具體的“法”。雖說如此，對於一個接觸爬蟲不久的小白，例如在下，是很難知道正常用戶訪問一個網站時的所有細節的。因此，知道些反爬蟲的“法”，然后有針對地進行拆招還是十分必要的。描述反爬的“法”的文章，推薦“互聯網網站的反爬蟲策略淺析”。