什么是防采集？

 

用大白话来说，就是我们想利用工具采集某个网站的数据（前提当然是公开合法数据），但网站不想给你采集而设置的技术阻挡措施。

 

 

网站常见的防采集套路有哪些？

 

 

防采套路1：输入验证码框验证

 

采集难度：★☆☆☆☆

常见网站：搜狗微信

 

在采集某些网站过程中，爪子们是不是经常会遇到这样的情况，要求你输入验证码，否则就卡住进行不下去？

 

对的，这是网站最常用且最基础的防采措施之一，它要求你必须你手动输入验证码里的数字和字母，才能继续看到更多信息或者进行下一步，以此来判断你是机器人还是真人。

 

 

防采套路2：滑动拼图进行验证

 

采集难度：★★☆☆☆

常见网站：拉勾、B站

 

验证码防采套路升级版，也是网站最常用来验证当前浏览用户是机器人还是人工的方式之一。

 

它要求你必须滑动拼图到它指定的位置，才能通过验证进行下一步操作。

 

 

防采套路3：登录验证

 

 

采集难度：★★★☆☆

常见网站：新浪微博、新榜

 

这类网站通常需要登录才能看到更丰富的信息，否则只会展现非常有限的内容。放在八爪鱼采集器里，只要一启动，这类网站就立即弹出登录窗口，才能进行下一步，有时候还会出现在采集的过程当中。如果不懂的如何设置登录流程的爪子，很快会提醒“采集终止”。

 

 

防采套路4：数据加密

 

采集难度：★★★★☆

常见网站：大众点评

 

有些网站通过对数据加密进行防采集。如大众点评（上图），我们在网页上看到的内容是这家餐厅的“地址”，但我们打开源代码看，这段文字被已经被加密分离，这会导致什么结果？

 

这将导致即便你将它采集下来，文字也是乱码或支离破碎的，无法整合成一段完整的文字。

 

 

防采套路5：反馈虚假数据

 

 

采集难度：★★★★★

常见网站：携程网

 

最近看到一个携程开发写的帖子，关于他们是如何给爬虫反馈“假数据”的。看完觉得携程太“可怕了”！

 

当你发现辛辛苦苦采集下来的数据居然是假的，请问你心累不心累？！所谓道高一尺，魔高一丈，遇到这种给你“投毒”的网站就请绕道吧，除非你想到更好的破解方法！

 

 

防采套路6：禁止访问

 

采集难度：★★★★★

常见网站：个别网站

 

小八目前还没怎么遇到过这种情况。当然，我们没事也不会故意“以身试法”，去试探网站的防采底线。

 

这种情况，主要还是看网站的防采机制设计，如果触发了，通常的结果就是全面封锁和禁止。比如封你的账号、封你的IP地址。一旦被封锁，网站会自动给你错误页面或无法让你正常浏览。

 

 

几种最容易触发防采集的情况。

 

 

1、采集速度过快、频次过高

 

嗯？这个用户怎么会1分钟浏览几十个页面呢？而且还是一天24小时不休息？有问题，我要去查查！啊，绝对是机器，封掉~！

 

采集速度过快、频次过快很容易引起对方网站注意，对方人员很容易就识别出你是机器在爬取它的内容，不是人类。毕竟正常人是无法像机器人那样不休不眠地高速运转。

 

2、采集数据量过大

 

当你速度和频次上来了，你采集的数据量将会很庞大，小八曾遇到爪子一天采集几百万条数据的情况，如果对方官网防采严格，则容易触发防采集机制。

 

3、一直使用同一个IP或账户

 

一旦对方网站发现你的IP/账户为机器爬虫，那么很有可能你的IP/账户就会被列入他们的黑名单，以后不允许你访问或者给你展示一个错误页面，让你无从下手。

 

 

 

针对防采集八爪鱼推出了一系列智能防封解决方法！

 

 

解决方法1：自动识别输入验证码

 

八爪鱼提供验证码识别控件，目前支持自动识别8种类型智能识别，包括字母、数字、汉字，还包括混合算数计算！

 

 

 

解决方法2：自动滑动拼图验证

 

遇到滑块？别担心，八爪鱼支持自动识别滑块验证，并且让机器自动拖动到指定位置，网站验证妥妥滴。

                                              八爪鱼自动通过滑块验证

 

 

 

解决方法3：设置自动登录

 

八爪鱼提供以下2种登录模式：

 

 

1）文本+点击登录

 

在八爪鱼里设计登录流程，在采集过程中八爪鱼将自动输入用户和密码进行登录（PS，八爪鱼不会获取任何用户个人隐私）

 

 

2）Cookie登录

 

在八爪鱼中进行登录，通过记住登录后的Cookie，下次直接以登录后的状态打开网页进行采集。

 

 

 

 

解决方法4：放慢采集速度

 

 

1）Ajax加载

 

 

AJAX：延时加载、异步更新的一种脚本技术。简单来说就是，我们可以通过Ajax技术让网页加载的时间更长一些（可以设置0-30秒），让浏览速度变慢一点点避免查封。

 

 

2）执行前等待

 

 

执行前等待是指在进行采集操作之前，八爪鱼会自动默认等待一段时间，确保要采集的数据已经加载出来。这个方法同样适用于防采比较严格的网站，通过放慢采集速度来躲避反爬虫的追踪。

 

 

解决方案5：优质代理IP

 

八爪鱼提供了优质的代理IP池，在采集过程中支持智能定时切换IP，避免同个IP采集被网站追踪封锁。

 

 

以上智能防封解决方法

也会在八爪鱼线下课程教授

速度报名啦！

 

 

不仅手把手、面对面教你应对网站防封技巧，还会让你全面系统地掌握采集基础原理到高阶案例实操全流程。

 

 

↑ 点图片查看往期回顾与学员评价 ↑

 

 

【报名限时福利】

 

3/20-3/31买八爪鱼年旗舰+，加1000元（原价2399元）即可购买线下培训哦！（限上海用户）

 

报名方式：扫描小助手微信二维码（或搜索微信号：xigua5100），即刻报名！