网络爬虫简单策略

    前几天同学问我，获取一个网站的资料是通过api调用好还是通过网络爬虫好，我说如果api可以满足需求那可以直接调api因为api是网站给你暴露的接口，客服端开发起来方便，并且返回的数据好解析，只要按他的规则来就应该没什么大的问题，不要考虑策略去获取最新的资料，可有个很大的问题就是通过api的调用完全受api服务器端限制，就和在中国上网一样，说哪个网站不上你上，那你通过合法的流程肯定是上不了的。

   网络爬虫有个很大的好处，不太受服务器端的限制，你可以通过许多策略去绕过它，他们一般有以下可以做限制的：

    1.通过ip限制。

    2.通过cookie限制

    3.通过加密算法加密请求的url

    4.通过你请求的header限制

    5.通过回答问题或验证码限制

    6.欢迎补充

   其中除了出现验证码，其他都可以破解，那我就简单介绍下我的策略吧！

   对于单位时间访问过多，服务器端可能会给你的ip直接封死，有两个方法可以绕过这个规则，第一，给你请求的http设置代理，现在的代理ip比较多，不过要慢慢找，很多都不能使用。第二个方法：大部分人用的是adsl上网，那adsl有一个很好的优点就是ip不是固定的，所以重启下路由就可以换个新的ip了，不过要注意不要出现重启后还出现之前用的ip了！所以我们要给ip简单过滤下。

   出现通过cookie限制的话，那你程序就一步一步的请求，最好不要跳步，如果用httpclient写的爬虫，那设置当请求时自动在请求体中加上cookie。

   通过加密算法加密请求的url，那必须知道它的加密算法写在哪，比如说sina之前的邮箱加密算法写在js里面，并且比较复杂，那可以用java执行加密js生成结果，所以也不一定要搞懂它是怎么加密的，除非真正没其他办法，那只能看懂它的加密算法，再自己实现。

   通过你请求的header限制是比较简单的限制，就是判断你请求的header是否符合要求，UA是否有，是否符合要求，host是否有......所以只要你请求时加上必要的header就行。

   通过回答问题限制那就先好好分析它的问题，因为题库总是有限的，有点的题目本来就很简单，比如两数相加相减什么的，那可以用程序自动分析，自动执行。

   最后有个最难的就是出现图片的一切验证，反正我是破解不了，那怎么办？一般出现验证码肯定影响用户体验，所以被抓去的网站肯定也不是很喜欢，但为了防止一些非法请求还必须加上，所以出现验证码的大部分都是有原因的，哈哈...有点夸张，所以我们按正规的流程走是不会出现验证码的，所以要把爬虫写得像人请求一样，那你就算成功了一大半了。

   往往写网络爬虫要把几个策略一起使用，一点一点试服务器端的规则，绕过规则就是天堂。

转载请注明来自于:http://alexchan.iteye.com/blog/1512996