Django 如何从程序中识别爬虫?

user_agent = request.META.get('HTTP_USER_AGENT')
spider  = ['bot','Bot','spider','Spider']
for s in spider:
     if s in user_agent:
           return 'spider'

不知道有没有更高效的方法?

spider'

spider

bot'

django

13 条回复 • 2016-12-05 23:11:06 +08:00

virusdefender

2016-12-04 18:37:16 +08:00 via iPhone

如果只是说 ua 的话，用正则会好一点点

ranleng

2016-12-04 18:54:43 +08:00 via Android

放个隐藏的 URL 爬到了就是爬不到就是人

yangxg

2016-12-04 23:35:29 +08:00

@ranleng good idea? 这个方法有什么缺点么？在反爬技术中常用么？

pc10201

2016-12-05 09:25:19 +08:00

看过一个方法，网页上创建一个空的 css 文件，然后加载了这个 css 的就是正常的浏览器，没有加载的就是爬虫，然后封 IP~

supersu

2016-12-05 11:32:19 +08:00

楼上几位的思路可以的，厉害

yanzixuan

2016-12-05 11:58:39 +08:00

@yangxg 算是比较叫常用的招数。
如果主页给个 token ，访问其他页面要带着 token 。
给访问次数和频率加以限制。
内容藏加载的 JS 里面，当然这主要是为了解决跨域，但是对爬虫也有点效果。
ajax 需要带制定的随机参数，这个参数的生成可以由 cookie 里的字段和其他东西+js 来生成。
防止别人爬是防不了的，你要防的是别人大规模的爬你的数据。

hugo775128583

2016-12-05 12:06:23 +08:00

用 platformJS 或者 selenium 的爬虫怎么破

yanzixuan

2016-12-05 15:25:23 +08:00

@hugo775128583 你要相信，用 phatomjs 和 selenium 的爬虫，规模跟并发是无法于纯 python 比的。

Yc1992

2016-12-05 15:34:32 +08:00

用 js 操作 cookie 和 token ，欺负欺负纯 python 的静态页面爬虫。

ranleng

2016-12-05 19:19:12 +08:00 via Android

@yangxg 然而并不知道具体怎么走。只是看到过一篇关于反爬虫的文

honmaple

2016-12-05 22:35:13 +08:00

@virusdefender 嗯,现在已改成正则

honmaple

2016-12-05 22:40:42 +08:00

我只想简单的判断一下爬虫与非爬虫，但 get 到很多技能,Thank you

mingyun

2016-12-05 23:11:06 +08:00

@ranleng 机智