通过Python爬虫 * 快速增加博客阅读量

写在前面

题目所说的并不是目的，主要是为了更详细的了解网站的反爬机制，如果真的想要提高博客的阅读量，优质的内容必不可少。

了解网站的反爬机制

一般网站从以下几个方面反爬虫：

1. 通过Headers反爬虫

从用户请求的Headers反爬虫是最常见的反爬虫策略。很多网站都会对Headers的User-Agent进行检测，还有一部分网站会对Referer进行检测（一些资源网站的防盗链就是检测Referer）。

如果遇到了这类反爬虫机制，可以直接在爬虫中添加Headers，将浏览器的User-Agent复制到爬虫的Headers中；或者将Referer值修改为目标网站域名。对于检测Headers的反爬虫，在爬虫中修改或者添加Headers就能很好的绕过。

2. 基于用户行为反爬虫

还有一部分网站是通过检测用户行为，例如同一IP短时间内多次访问同一页面，或者同一账户短时间内多次进行相同操作。

大多数网站都是前一种情况，对于这种情况，使用IP代理就可以解决。我们可以将 * 检测之后保存在文件当中,但这种方法并不可取， * 失效的可能性很高，因此从专门的 * 网站实时抓取，是个不错的选择。

对于第二种情况，可以在每次请求后随机间隔几秒再进行下一次请求。有些有逻辑漏洞的网站，可以通过请求几次，退出登录，重新登录，继续请求来绕过同一账号短时间内不能多次进行相同请求的限制。

还有针对cookies，通过检查cookies来判断用户是否是有效用户，需要登录的网站常采用这种技术。更深入一点的还有，某些网站的登录会动态更新验证，如推酷登录时，会随机分配用于登录验证的authenticity_token，authenticity_token会和用户提交的登录名和密码一起发送回服务器。

3. 基于动态页面的反爬虫

有的时候将目标页面抓取下来，发现关键的信息内容空白一片，只有框架代码，这是因为该网站的信息是通过用户Post的XHR动态返回内容信息，解决这种问题的方法就是通过开发者工具（FireBug等）对网站流进行分析，找到单独的内容信息request（如Json），对内容信息进行抓取，获取所需内容。

更复杂一点的还有对动态请求加密的，参数无法解析，也就无法进行抓取。这种情况下，可以通过Mechanize，selenium RC，调用浏览器内核，就像真实使用浏览器上网那样抓取，可以最大限度的抓取成功，只不过效率上会打些折扣。笔者测试过，用urllib抓取拉勾网招聘信息30页所需时间为三十多秒，而用模拟浏览器内核抓取需要2——3分钟。

4. 限定某些IP访问

免费的 * 可以从很多网站获取到，既然爬虫可以利用这些 * 进行网站抓取，网站也可以利用这些 * 反向限制，通过抓取这些IP保存在服务器上来限制利用 * 进行抓取的爬虫。

进入正题

来源：http://www.cnblogs.com/Lands-ljk/p/5673017.html