爬虫的攻防技术(转载自自己购买的学习资料)

爬虫的攻防技术(转载自自己购买的学习资料)

• 如何发现一个爬虫？一般情况下网站是不会大量的验证用户请求.除非你在访问重要数据.

  • 1）单一的访问频次过高

    • 普通人,10秒访问一个网页, 爬虫一秒获取10个网页

  • 2)单一的ip出现非常规的流量

  • 3) 大量的重复简单的网页浏览行为

  • 4) 只下载html文档, 不下载js

  • 5) 在页面设置陷阱, 用户看不懂, 爬虫是可以的, 比如 hidden

  • 6) 在页面写一段js代码, 浏览器直接执行, 程序不会执行

  • 7) 判断请求头: user-agent

• 如何不被发现？

  • 多主机的策略, 解决单一ip的问题, 分布式爬取

  • 调整访问频次, 爬一会休息一下

  • 通过不断切换ip, 或者直接使用ip代理的形式

  • 频繁的修改user-agent头

    • https://blog.csdn.net/tao_627/article/details/42297443

  • Header中的Cache-Control修改为no-cache

  • 当返回状态码是403（服务器资源禁止访问），改变Header和IP。不断改变

• public static void main(String[] args) throws Exception {
          HttpGet httpGet = new HttpGet("https://news.163.com/");
          
            //我是专门用来模拟浏览器，让我的请求看起来和真实的浏览器一样
          httpGet.setHeader("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
          httpGet.setHeader("Accept-Encoding", "gzip, deflate, sdch, br");
          httpGet.setHeader("Accept-Language", "zh-CN,zh;q=0.8");
          httpGet.setHeader("Cache-Control", "no-cache");
          httpGet.setHeader("Cookie", "_ntes_nnid=4b1a6bbc71e14269912bdc23980b3fb1,1531559784738; _ntes_nuid=4b1a6bbc71e14269912bdc23980b3fb1;");
          httpGet.setHeader("Host", "news.163.com");
          httpGet.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36");
            httpGet.setHeader("referer","http://news.163.com/");
          
          CloseableHttpClient httpClient = HttpClients.createDefault();
          CloseableHttpResponse res = httpClient.execute(httpGet);
          HttpEntity entity = res.getEntity();
          String html = EntityUtils.toString(entity,"utf-8");
          System.out.println(html);
      }