大家都怎么防采集的？哪一种性能最高？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2780 天前的主题，其中的信息可能已经有所发展或是发生改变。

有不少站都有防采集，一般是 IP 和 cookie，还有 session （会员）

1、从 IP 入手一般限制某个时间段内访问的最多次数，超过则出现验证码，弊端是每次访问都要检测该 ip 的访问次数和执行判断

2、从 cookie 入手，较为简单，但是显然防守能力很差

3、从会员入手，页面只有会员才能访问（或者超过多少页面就必须会员才能访问），一个会员一天只能访问多少次，弊端也很明显

有没有更佳的方法？

访问

会员

入手

44 条回复 • 2017-05-22 14:28:27 +08:00

metowolf

2017-05-18 20:47:52 +08:00

对特征明显的、频度高的请求返回脏数据（删字改字添字）

dsg001

2017-05-18 21:29:38 +08:00

会员限制，超过阀值则每次访问都需要验证码

gouchaoer

2017-05-18 21:32:45 +08:00 via Android

验证码不是一个好的方案，反爬虫最重要的是不能让爬虫知道你已经知道它是爬虫了

humxman

2017-05-18 21:39:04 +08:00 via Android

先载入一部分然后监听事件，如果没有动作（滚屏、鼠标动作）的话不请求后续内容。

karia

2017-05-18 21:42:46 +08:00

刚写完爬虫的我用极其幽怨的眼神看着楼主。

ivmm

2017-05-18 21:44:12 +08:00

@karia 哈哈哈哈哈哈哈哈，笑出声

elfsong

2017-05-18 22:38:36 +08:00

讲道理除了 Plan 3 其他两种代理池都可以搞定

olOwOlo

2017-05-18 23:35:37 +08:00

之前爬过的某站上面三种都有
反爬虫一般都是独立出来的，类似 fail2ban 这种扫描日志（或者做个流量分析系统_(:з)∠)_？
个人感觉从会员入手是效果最好的，频率过高直接封号_(:з)∠)_
不过爬虫是挡不住的，只要是浏览器能访问的爬虫都能想办法获取到，除非像一些网站一样只显示前 X 页的内容

yidinghe

2017-05-18 23:44:03 +08:00 via Android

传输内容加密，加密解密的代码混淆，解密出来的文字用 canvas 画出来。

Reign

2017-05-19 00:13:59 +08:00 via iPhone

反爬做的足够好把用户和搜索引擎都干跑了，你能想到的反爬我们这些写爬虫的早就想到了，“弊端是每次访问都要检测该 ip 的访问次数和执行判断”，根本不是这个弊端，你还太年轻

ioriwong

2017-05-19 00:21:15 +08:00

我觉得动态加载是个不错的方案，一般爬虫不会模拟鼠标滚轮动作或键盘 Pagedown 动作

mokeyjay

2017-05-19 00:29:17 +08:00

用小说站的反采集方案吧。小说入库时，随机挑选一些字生成图片，将图片链接插入原文，删掉被图片替换的字。显示时用户无感知但爬出来的内容全是乱的

Akkuman

2017-05-19 00:32:08 +08:00 via Android

直接提供接口😂

yangqi

2017-05-19 00:41:13 +08:00

要想 100%防是不可能的，只能防止一些比较初级的爬虫。现在的框架都是模拟浏览器访问，基本看不出来是爬虫

t6attack

2017-05-19 00:42:24 +08:00

自己设计了一套缺德的繁琐的机制。简单的说，判断出采集行为后随机穿插错误数据、重复数据。

crayygy

2017-05-19 01:23:43 +08:00 via iPhone

display:none

bjlbeyond

2017-05-19 08:02:51 +08:00 via iPhone

只能说是用一些手段去限制初级爬虫选手

tinyproxy

2017-05-19 09:06:25 +08:00 via iPhone

人家真要爬你，也就看谁更耗不起了。

dong3580

2017-05-19 09:30:20 +08:00

@yidinghe
没用,全是 canvas 的话 jquery 直接提出 txt 来得了.

zpvip

2017-05-19 10:04:00 +08:00

把最常用的几百个汉字每小时生成图片，相同汉字每小时的图片名称不一样，程序内部有对应 hash，图片过一小时就自动删除，PHP 处理这个过程非常快，不到一秒。

用 dns 检查是否为 Google 和百度爬虫，对爬虫不用图片替换。

如果高手用 OCR，并且把所有图片都保存下来，也够他忙的，不可能绝对防住，只能恶心他们。

actto

2017-05-19 10:07:19 +08:00 via Android

还不如加个 api 接口提供给爬虫们，然后收费，每月 5 元。

AllenHai

2017-05-19 10:31:14 +08:00

1：网页中用框架，比如 QQ 空间；
2：写一套流弊的 JS 加密程序，比如网易云音乐；
3：每分钟请求超过一个阈值就弹验证码，检测到爬虫后返回 404 或者弹验证码或者给掺假的数据（半真半假那种）；
4：必须用手机号注册账号，检测到异地登录必须输手机验证码，cookies 有效期短一点；
5：换字体，以前去哪儿用过；
6：把阿里云的 IP 段禁掉；
7：自己爬一下网上的免费代理，禁掉 IP ；
8：提取浏览器特征，来反 webdriver ；
9：UA 里做一些排查

silva

2017-05-19 11:12:25 +08:00

@AllenHai
你好，问两个问题，换字体来防御爬虫是个什么原理？
UA 是什么？

ty89

2017-05-19 11:18:30 +08:00

@AllenHai
qq 空间的例子就算了，我刚爬完一批文章

lepture

2017-05-19 11:40:13 +08:00 via iPhone

@silva 改字体对应关系，字符是 A 显示为 B。

AllenHai

2017-05-19 11:42:47 +08:00

@silva UA 是指 user-agent，你去看下 requests，scrapy 的请求头，封它就对了；
字体那个就像凯撒密码那样，把字体里数字换一下，通常数字顺序是 0~9，而自定义的字体里做个转换，比如 0 和 5 对应，1 和 9 对应。这个是挺有意思，但是也容易破解

Reign

2017-05-19 11:47:34 +08:00

@ioriwong 我写爬虫最喜欢你这种动态加载的方式了，一个 ajax 返回数据，连 HTML 解析都省去了

sampeng

2017-05-19 11:47:36 +08:00

特别反感爬虫，特别反感反爬虫

这是一个矛盾的话题，做内容的，自然要去爬数据。如果有公开的接口信息，没人愿意去爬数据。可现实是没有。
如果豆瓣，时光网有非常好的 api 直接提供，我相信没人愿意花费大量的时间精力去爬数据。
这是国内环境造成的，看看国外的，基本有权威的影音数据库，直接公开查询接口。

有些公共信息真的非常反感反爬虫机制，比如影音类的。。新闻类的。做个自定义 rss 都麻烦。。如果有收费的 api。我会直接购买。当然这是个遥不可及的想法。。。因为没有网站希望用户压根不上自己的平台。。国内现在大部分做内容的还是靠广告收费。任重而道远啊。。。。