1. 什么是爬蟲和反爬蟲？
- 爬蟲：使用任何技術手段，批量獲取網站信息的一種方式。
- 反爬蟲：使用任何技術手段，阻止別人批量獲取自己網站信息的一種方式。
2. 常見的反爬蟲機制
- 通過UA 識別爬蟲 有些爬蟲的UA是特殊的，與正常瀏覽器的不一樣，可通過識別特征UA，直接封掉爬蟲請求
- 設置IP訪問頻率，如果超過一定頻率，彈出驗證碼 如果輸入正確的驗證碼，則放行，如果沒有輸入，則拉入禁止一段時間，如果超過禁爬時間，再次出發驗證碼，則拉入黑名單。當然根據具體的業務，為不同場景設置不同閾值，比如登陸用戶和非登陸用戶，請求是否含有refer。
- 通過並發識別爬蟲 有些爬蟲的並發是很高的，統計並發最高的IP，加入黑名單（或者直接封掉爬蟲IP所在C段）
- 請求的時間窗口過濾統計 爬蟲爬取網頁的頻率都是比較固定的，不像人去訪問網頁，中間的間隔時間比較無規則，所以我們可以給每個IP地址建立一個時間窗口，記錄IP地址最近12次訪問時間，每記錄一次就滑動一次窗口，比較最近訪問時間和當前時間，如果間隔時間很長判斷不是爬蟲，清除時間窗口，如果間隔不長，就回溯計算指定時間段的訪問頻率，如果訪問頻率超過閥值，就轉向驗證碼頁面讓用戶填寫驗證碼
- 限制單個ip/api token的訪問量 比如15分鍾限制訪問頁面180次，具體標准可參考一些大型網站的公開api，如twitter api，對於抓取用戶公開信息的爬蟲要格外敏感
- 識別出合法爬蟲 對http頭agent進行驗證，是否標記為、百度的spider，嚴格一點的話應該判別來源IP是否為、baidu的爬蟲IP，這些IP在網上都可以找到。校驗出來IP不在白名單就可以阻止訪問內容。
- 蜜罐資源 爬蟲解析離不開正則匹配，適當在頁面添加一些正常瀏覽器瀏覽訪問不到的資源，一旦有ip訪問，過濾下頭部是不是搜素引擎的蜘蛛，不是就可以直接封了。比如說隱式鏈接。
3. 破解反爬蟲機制的幾種方法
- 策略1：設置下載延遲，比如數字設置為5秒，越大越安全
- 策略2：禁止Cookie，某些網站會通過Cookie識別用戶身份，禁用后使得服務器無法識別爬蟲軌跡
- 策略3：使用user agent池。也就是每次發送的時候隨機從池中選擇不一樣的瀏覽器頭信息，防止暴露爬蟲身份
- 策略4：使用IP池，這個需要大量的IP資源，可以通過抓取網上免費公開的IP建成自有的IP代理池。
- 策略5：分布式爬取，這個是針對大型爬蟲系統的，實現一個分布式的爬蟲，主要為以下幾個步驟： 1、基本的http抓取工具，如scrapy； 2、避免重復抓取網頁，如Bloom Filter； 3、維護一個所有集群機器能夠有效分享的分布式隊列； 4、將分布式隊列和Scrapy的結合； 5、后續處理，網頁析取(如python-goose)，存儲(如Mongodb)。
- 策略6：模擬登錄—瀏覽器登錄的爬取 設置一個cookie處理對象，它負責將cookie添加到http請求中，並能從http響應中得到cookie，向網站登錄頁面發送一個請求Request, 包括登錄url，POST請求的數據，Http header利用urllib2.urlopen發送請求，接收WEB服務器的Response。
參考文獻：
【1】反爬蟲機制和破解方法匯總