首先，爬虫是灰色的；其合理利用，取决于爬虫方的心态和能力，也取决于反爬虫的技术。爬虫用的好，可以成就 Google、百度这样的公司；用得不好，可能对别人的利益，造成严重的伤害。
不管怎样，爬虫极其广泛地存在。最近我也接触了一点，简单说说。
先说反爬虫方
保护自己的财产，怎么做都不为过（可能吧）。说一个例子，你在百度搜索页面所做的 任何操作，包括鼠标移动、页面滚动、点击、甚至什么都不做的等待时间，所有这些信息，都会 被百度收集（细思极恐）。其作用可能很多，很重要的一点，就是识别你是人而不是虫子。而你如果是上来就用工具发网络请求，实在太容易被识别了，封不封，也只是看百度心情了。
再来看看爬虫方
关键的一点，是怎么防止被屏蔽。比较简单的，包含控制访问的频率、模拟用户的 Cookie/Refer/Header；进一步的，模拟用户真实行为，等等。
其中很重要一个策略，就是用 大量 IP，频繁更换。怎么得到这许多 IP 呢？
- 免费、付费的 代理池（听说及自己实测，可靠性并不怎么样）
- 像 ADSL 一样可以通过拨号动态切换 IP 的服务器（哎，知道 ADSL 的人是真的老了，我也是才知道有这样的服务器…）
- 也可以结合 家用宽带 自己搭建动态 IP（通过断线重拨的方式切换 IP）
- 你是土豪，有很多服务器及动态 IP
技术方案的选择，首先要知道有哪些可能的方案，然后在成本等众多限制条件下，寻找最优的；也是件挺有意思的。
博客原文：0307 - 爬虫与反爬虫
网友评论