本文共 1442 字,大约阅读时间需要 4 分钟。
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
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); }