应对反爬虫的策略

为什么要反爬虫？

网络爬虫，是编写的一个自动提取网页内容的程序，它为搜索引起从万维网上下载所需的网页内容，是搜索引擎的重要组成部分。但当网络爬虫被滥用后，互联网上就会出现太多同质的东西，原创得不到保护。
于是，很多网站开始反爬虫网络，想方设法保护自己的内容。他们根据ip访问频率，浏览网页速度，账户登陆，输入验证，flash封装，ajax混淆等技术，来反对网络爬虫。
所以可能会导致真正急需数据的用户可能得不到需要的数据。为了应对这种情况，简单提出一些应对反爬虫的策略。

应对反爬虫策略

策略一：设置download_delay

• 作用：设置下载的时间等待，大规模集中的访问对服务器的影响最大，相当于段时间中增大服务器负载。
• 缺点：下载时间等待长，不能满足段时间大会末抓取的要求，太短则大大增加了被ban的几率。

策略二：禁止cookies

• Cookie，有时也用其复数形式 Cookies，指某些网站为了辨别用户身份、进行 session
  跟踪而储存在用户本地终端上的数据（通常经过加密）。
• 作用: 禁止cookies也就防止了可能使用cookies识别爬虫轨迹的网站得逞。
• 实现: COOKIES_ENABLES=False

策略三：使用user agent池(拓展: 用户代理中间件)

• 为什么使用? scrapy本身是使用Scrapy/0.22.2来表明自己身份的。这也就暴露了自己是爬虫的信息。
• user agent，是指包含浏览器信息、操作系统信息等的一个字符串，也称之为一种特殊的网络协议。服务器通过它判断当前访问对象是浏览器、邮件客户端还是网络爬虫。

策略四：使用代理IP中