怎样延长网络爬虫的生存周期

    生老病死是自然规律，不可避免，网络爬虫也一样，没有永恒的生命，因为它时刻要面临着反爬虫的围追堵截。爬虫工程师不可能让爬虫永远地运行下去，却可以让爬虫运行的时间尽可能长一点。

    那么面对反爬虫，如何让网络爬虫的生存周期延长呢？两个字：伪装。所谓“雄兔脚扑朔，雌兔眼迷离，双兔傍地走，安能辨我是雌雄”。当爬虫伪装得和真实用户差不多，达到以假乱真时，就很难被反爬虫识别出来了，除非大面积误杀。

 

    一、用户代理（User-Agent）

 

    用户代理是用户访问目标服务器的工具，并告知服务器用户正在使用哪个网络浏览器访问，如果没有设置用户代理，服务器不会让你查看内容，就像主人不会随便让陌生人进屋一样。不同的浏览器User-Agent也各不相同，最好的办法就是搜集很多User-Agent，然后爬虫随机使用，不要一个UA用到底，也不要有规律的使用。

 

    二、代理IP（Proxy）

 

    网络爬虫没有代理IP，那真的是寸步难行了。大多数的网站都会设置一个阈值，当某个IP访问的次数到达了阈值便会受到限制。还有很多网站会设置一个访问频率，当单位时间内访问频率超出正常用户访问频率时就会被限制，这个时候只有代理IP才能突破这个限制，大量的优质代理IP不停地分担压力，就算被封了也可以再换一批。选择代理IP时一定要选择高匿代理IP，普通匿名代理和透明代理没有作用。

 

    三、请求头（Request Headers）

 

    很多网站的反爬虫比较严格，会揪出某个细节不放，可能一时不小心就会被发现。当你访问页面的时候他们会查找特定的请求响应头信息，如果特定的头信息没有被发现，他们会阻止内容显示或者展示一个虚假的内容。这个问题其实也很好解决，用浏览器访问网页，然后按住F12可以看到相信的请求头信息，然后模拟即可。

 

    做好这三点基本也就伪装的差不多了，还有一些细节也要注意，比如访问延时，真实的用户不可能访问每个页面都是固定的几秒钟，肯定有快有慢，这时可以设置随机时间，每访问一个页面随机休息几秒钟。

 

    总之，当爬虫伪装的越像真实用户，被反爬虫发现的几率就越小，当然，伪装的越像，牺牲的效率值也就越大，这就需要爬虫工程师好好的衡量下，找出两者的平衡点了。