黑洞HTTP代理

黑洞HTTP

您的位置: 首页 > 新闻资讯 > HTTP代理 > 正文

使用代理IP进行信息采集:要警惕爬虫行为测试

发布时间:2019年04月08日 来源:互联网

Python爬虫并不是真实的用户,他的行为模式和真正的用户还是有区别的,所以网站通常会采用测试用户行为模式去分辨目前浏览的用户到底是人还是爬虫机器。那么网站究竟通过什么途径来实现检测的呢?现在就和带你们来看一看。


使用代理IP进行信息采集:要警惕爬虫行为测试

1.浏览目的


爬虫通常不会抓取css、js等一些资源文件。假如是垂直爬虫,一般浏览信息有明确的目标,假如察觉到一些ip浏览某个页面超出了正常的访问次数,并且ip不浏览别的信息,那就回被辨别为爬虫。


2.浏览频率


频率限制,每分钟高于N次访问的ip封禁,比如1个小时浏览量高于30次,则会跳出验证提示,假如验证信息填写有误,就会被拉入黑名单。


弄一个计数器,把特定ip一天内的总次数和每秒内的频率记录下来,实现实时拦截的目的


3.端口检查


用netstat检查80端口的连接:


sh netstat -nt | grep youhostip:80 | awk '' | awk -F":" ''| sort | uniq -c | sort -r -n


这行shell能够根据80端口连接数量对来源IP完成排序,这样能够直观的分辨出来网页爬虫。通常情况下爬虫的并发连接特别高。 直接封锁爬虫所在的C网段地址。这由于一般爬虫都是运行在托管机房里面,可能在一个C段里面的多台服务器上面都有爬虫,而这个C段不可能是用户宽带上网,封锁C段能够很大程度上解决问题。


4.js埋点


把apache或nginx日志分析和js埋点对比来分析,爬虫请求在无法模拟浏览器请求的时候,无法执行js代码,页面没有埋点,但是这个请求,会在web日志中留下,js有小问题,就是用户请求的时候,如果浏览器有缓存,实际上没有请求服务器端,但是js确埋了一个点,对比分析,效果会好很多。


5.访问间隔规律


爬虫爬取网页的频率都是比较固定的,不像人去访问网页,中间的间隔时间比较无规则,所以我们可以给每个IP地址建立一个时间窗口,记录IP地址最近12次访问时间,每记录一次就滑动一次窗口,比较最近访问时间和当前时间。如果间隔时间很长判断不是爬虫,清除时间窗口,如果间隔不长,就回溯计算指定时间段的访问频率,如果访问频率超过阀值,就转向验证码页面让用户填写验证码。


综上所述,我们能够知道,网络爬虫毕竟不是人类,总会留下足迹的,所以想要获取信息,爬虫需要先进行一系列的伪装,把各方面的数据伪装好,至于不能伪装的数据--IP地址,可以使用黑洞http代理ip切换ip地址,这样便能顺利的采集到数据了。


相关文章内容简介

1 使用代理IP进行信息采集:要警惕爬虫行为测试

Python爬虫并不是真实的用户,他的行为模式和真正的用户还是有区别的,所以网站通常会采用测试用户行为模式去分辨目前浏览的用户到底是人还是爬虫机器。那么网站究竟通过什么途径来实现检测的呢?现在就和带你们来看一看。1.浏览目的爬虫通常不会抓取css、js等一些资源文件。假如是垂直爬虫,一般浏览信息有明确的目标,假如察觉到一些ip浏览某个页面超出了正常的访问次数,并且ip不浏览别的信息,那就回被辨别为爬虫。2.浏览频率频率限制,每分钟高于N次访问的ip封禁,比如1个小时浏览量高于30次,则会跳出验证提示,假如验证信息填写有误,就会被拉入黑名单。弄一个计数器,把特定ip一天内的总次数和每秒内的频率记录下来,实现实时拦截的目的3.端口检查用netstat检查80端口的连接:sh netstat -nt | grep youhostip:80 | awk '' | awk -F&qu [阅读全文]

热门标签

最新标签

推荐阅读

  1. 21

    2019-09

    代理服务器ip可以用来做什么

    代理,也称网络代理,是一种特殊的网络服务,允许一个网络终端(一般为客户端)通过这个服务与另一个网络终端(一般为服务器)进行非直接的连接。一些网关、路由器等网络设备具备网络代理

  2. 04

    2019-06

    IP代理服务器软件的隐匿程度区别

    不是所有的代理都可以用来作弊,与我们作弊有关的代理可分为3类:超代:high anonymous(level 1);匿名:anonymous(level 2);透明:transparent(level 3).在使用high anonymous的时候服务器不会感觉到你在使用代理.在使

  3. 20

    2019-06

    哪种HTTP代理IP性价比高,要如何选择

    HTTP代理IP对于爬虫工作者来说并不陌生,毕竟需要天天与之打交道。HTTP代理IP作为爬虫与反爬虫斗争中的一大助力,自然至关重要,优质高效的HTTP代理IP可以让工作事半功倍,可以节省很多人力

  4. 23

    2019-07

    http代理是什么意思?

    很多人都知道的,不管大家在网上查询任何事物或者咨询网站,我们都是都需要输入http,其实这就是介于浏览器和web之一台服务器,也是在文本传输协议上的网络浏览方式,为此今日就来分析

  5. 27

    2019-08

    代理ip如何预防百度贴吧删帖

    贴吧是网络推广人员必用的推广平台之一,当然,尤其是百度的贴吧,受众多,易收录专业针对性强,更是众多推广工作者的”机械小鲜肉“.在这种平台上引流的目的就是为了企业品牌的宣传

  6. 08

    2019-08

    反向代理服务器的常见用途包括:

    代理服务器 是中间服务器或中间服务器,它将来自多个客户端的内容请求转发到Internet上的不同服务器。甲 反向代理服务器 是一个 代理服务器 的类型,其通常位于防火墙后面在专用网络和客