反爬虫机制

反爬虫机制

爬虫进阶

登陆

1.1 表单登陆

1.2 cookie 登陆

Scrapy模拟登陆

1.3 验证码登陆

1.3.1 验证码识别

对于网站有验证码的情况，我们有三种办法：

• 使用代理，更新IP；
• 使用cookie登陆；

• 验证码图片识别：

  1）利用开源的Tesseract-OCR系统进行验证码图片 的下载及识别，再将识别的字符传到爬虫系统进行模拟登陆。

  2）将验证码图片上传到打码平台上进行识别。如果不成功，可以再次更新验证码识别，直到成功为止。

验证码识别项目

2 反爬虫机制的处理

2.1 防止服务器长时间不响应——设置时间间隔（timeout）

2.2 防止爬虫抓取过快——items类与时间设置

2.3 伪装成浏览器或者”反盗链“

3 断线重连

def multi_session(session, *arg):
    retryTimes =