八爪鱼,最好的网络爬虫工具

最常见6大防采集套路及解决方法,建议收藏!(文末福利)

作者:keven 发布时间:2019/3/25 11:32:53 1696 人已阅读

摘要:今日话题:今天带着大家一起探讨在采集中时常遇到的6大防采集套路以及解决方法!

 

什么是防采集?

 

用大白话来说,就是我们想利用工具采集某个网站的数据(前提当然是公开合法数据),但网站不想给你采集而设置的技术阻挡措施。

 

 

网站常见的防采集套路有哪些?

 

 

防采套路1:输入验证码框验证

 

采集难度★☆☆☆☆

常见网站:搜狗微信

 

在采集某些网站过程中,爪子们是不是经常会遇到这样的情况,要求你输入验证码,否则就卡住进行不下去?

 

对的,这是网站最常用且最基础的防采措施之一,它要求你必须你手动输入验证码里的数字和字母,才能继续看到更多信息或者进行下一步,以此来判断你是机器人还是真人。

 

 

防采套路2:滑动拼图进行验证

 

采集难度:★★☆☆☆

常见网站:拉勾、B站

 

验证码防采套路升级版,也是网站最常用来验证当前浏览用户是机器人还是人工的方式之一。

 

它要求你必须滑动拼图到它指定的位置,才能通过验证进行下一步操作。

 

 

防采套路3:登录验证

 

 

采集难度★★★☆☆

常见网站:新浪微博、新榜

 

这类网站通常需要登录才能看到更丰富的信息,否则只会展现非常有限的内容。放在八爪鱼采集器里,只要一启动,这类网站就立即弹出登录窗口,才能进行下一步,有时候还会出现在采集的过程当中。如果不懂的如何设置登录流程的爪子,很快会提醒“采集终止”。

 

 

防采套路4:数据加密

 

采集难度:★★★★☆

常见网站:大众点评

 

有些网站通过对数据加密进行防采集如大众点评(上图),我们在网页上看到的内容是这家餐厅的“地址”,但我们打开源代码看,这段文字被已经被加密分离,这会导致什么结果?

 

这将导致即便你将它采集下来,文字也是乱码或支离破碎的,无法整合成一段完整的文字。

 

 

防采套路5:反馈虚假数据

 

 

采集难度:★★★★★

常见网站:携程网

 

最近看到一个携程开发写的帖子,关于他们是如何给爬虫反馈“假数据”的。看完觉得携程太“可怕了”!

 

当你发现辛辛苦苦采集下来的数据居然是假的,请问你心累不心累?!所谓道高一尺,魔高一丈,遇到这种给你“投毒”的网站就请绕道吧,除非你想到更好的破解方法!

 

 

防采套路6:禁止访问

 

采集难度:★★★★★

常见网站:个别网站

 

小八目前还没怎么遇到过这种情况。当然,我们没事也不会故意“以身试法”,去试探网站的防采底线。

 

这种情况,主要还是看网站的防采机制设计,如果触发了,通常的结果就是全面封锁和禁止。比如封你的账号、封你的IP地址。一旦被封锁,网站会自动给你错误页面或无法让你正常浏览。

 

 

几种最容易触发防采集的情况。

 

 

1、采集速度过快、频次过高

 

嗯?这个用户怎么会1分钟浏览几十个页面呢?而且还是一天24小时不休息?有问题,我要去查查!啊,绝对是机器,封掉~!

 

采集速度过快、频次过快很容易引起对方网站注意,对方人员很容易就识别出你是机器在爬取它的内容,不是人类。毕竟正常人是无法像机器人那样不休不眠地高速运转。

 

2、采集数据量过大

 

当你速度和频次上来了,你采集的数据量将会很庞大,小八曾遇到爪子一天采集几百万条数据的情况,如果对方官网防采严格,则容易触发防采集机制。

 

3、一直使用同一个IP或账户

 

一旦对方网站发现你的IP/账户为机器爬虫,那么很有可能你的IP/账户就会被列入他们的黑名单,以后不允许你访问或者给你展示一个错误页面,让你无从下手。

 

 

 

针对防采集八爪鱼推出了一系列智能防封解决方法!

 

 

解决方法1:自动识别输入验证码

 

八爪鱼提供验证码识别控件,目前支持自动识别8种类型智能识别,包括字母、数字、汉字,还包括混合算数计算!

 

 

 

解决方法2:自动滑动拼图验证

 

遇到滑块?别担心,八爪鱼支持自动识别滑块验证,并且让机器自动拖动到指定位置,网站验证妥妥滴。

                                              八爪鱼自动通过滑块验证

 

 

 

解决方法3:设置自动登录

 

八爪鱼提供以下2种登录模式:

 

 

1)文本+点击登录

 

在八爪鱼里设计登录流程,在采集过程中八爪鱼将自动输入用户和密码进行登录(PS,八爪鱼不会获取任何用户个人隐私)

 

 

2)Cookie登录

 

在八爪鱼中进行登录,通过记住登录后的Cookie,下次直接以登录后的状态打开网页进行采集。

 

 

 

 

解决方法4:放慢采集速度

 

 

1)Ajax加载

 

 

AJAX:延时加载、异步更新的一种脚本技术。简单来说就是,我们可以通过Ajax技术让网页加载的时间更长一些(可以设置0-30秒),让浏览速度变慢一点点避免查封。

 

 

2)执行前等待

 

 

执行前等待是指在进行采集操作之前,八爪鱼会自动默认等待一段时间,确保要采集的数据已经加载出来。这个方法同样适用于防采比较严格的网站,通过放慢采集速度来躲避反爬虫的追踪。

 

 

解决方案5:优质代理IP

 

八爪鱼提供了优质的代理IP池,在采集过程中支持智能定时切换IP,避免同个IP采集被网站追踪封锁。

 

 

以上智能防封解决方法

也会在八爪鱼线下课程教授

速度报名啦!

 

 

不仅手把手、面对面教你应对网站防封技巧,还会让你全面系统地掌握采集基础原理到高阶案例实操全流程

 

 

↑ 点图片查看往期回顾与学员评价 ↑

 

 

【报名限时福利】

 

3/20-3/31买八爪鱼年旗舰+,加1000元(原价2399元)即可购买线下培训哦!(限上海用户)

 

报名方式:扫描小助手微信二维码(或搜索微信号:xigua5100),即刻报名!

 

 

 

 


企业试用