《代理选择与反爬虫策略探究：如何优化网络爬虫效率与稳定性》
代理IP如何选以及常见反爬策略
为什么需要代理？
因为有的网站会封IP，用户如果没有登录，那IP就是身份标识，如果网站发现用户行为异常就非常可能封IP
什么是代理IP
就是让一个人帮你转交请求，帮你转交的人对面不熟，也就难以发现频繁请求的是你
但是要注意我们只能使用高匿代理，透明代理（转交请求同时告诉是帮谁转交的）什么的是不能用的
如何衡量代理
速度：加代理之后3秒钟能相应是优秀，5秒钟之内能相应是能用的
安全：用来路不明的代理有信息安全风险
价格：性价比需要考虑
请求间隔：有的接口有请求间隔限制，尤其是按时收费的这种，也要考虑
稳定性：失效时间人为设置有长时间的和短时间的，短的1到3分钟，长的几天的都有，越长的越贵，我们用短的就行
比较常用的有芝麻代理，小象代理，快代理，站大爷等等
爬虫选择哪种代理
- 高匿代理：需要代理IP池，否则太费代理，太烧钱
- 隧道代理
- 短效版
- 动态版：以IP生成cookie登录抓取数据 不能满足（IP存活时间短）
- 代理客户端：贵，但平均每隔代理几秒一换，比较快
- 优点：
- 时间恰当，以IP生成cookie登录抓取数据 也能满足
- 优点：
反爬策略
-
封禁IP类
-
阈值：
- 打比方，一分钟60次，第一次封禁2分钟，然后策略改为一分钟45次
- 打比方，一分钟60次，第二天访问同样的内容，则策略改为一分钟45次（增量爬虫，需每天爬取进行数据更新）
总结：所以有的代理IP可以复活，代理IP池很有必要（后续会发布）
-
-
蜜罐陷阱：网页有正常用户不可访问的链接，爬虫获取并访问此链接将进入无限循环，直到程序崩溃
-
token加密验签
-
检测环境变量：selenium可以检测环境变量，requests访问同样也可以检测环境变量
爬虫策略
- 程序模拟抓
- 可能涉及的问题
- token加密验签
- 封禁IP
- 检测环境变量（不常见）
- 蜜罐陷阱（不常见）
- 可能涉及的问题
- selenium抓
- 可能涉及的问题
- 封禁IP
- 检测环境变量（可以消除指纹）
- 可能涉及的问题
- selenium被未知手段封禁，山穷水尽：ODR识别（windows鼠标模拟操作、windows鼠标模拟切换IP、windows鼠标模拟访问数据截图、ODR识别获取数据）
- 弊端：
- ODR识别不准，需要进行模型训练
- 慢，识别七八秒钟
- 适用场景：
- 适用于只用获取一次数据的项目，不适合增量爬虫
- 弊端：
爬虫注意
- 不要过于追求爬取速度，速度过快对网站有影响，网站的反爬措施就会更新，对自己没有好处，因为增量爬虫（项目需要维护），不要多进程加协程，一般多进程或者协程即可
更多精致内容
