《C# 爬虫 破境之道》：第二境 爬虫应用 — 第六节：反爬策略研究

之前的章节也略有提及反爬策略，本节，我们就来系统的对反爬、反反爬的种种，做一个了结。

从防盗链说起：

自从论坛兴起的时候，网上就有很多人会在论坛里发布一些很棒的文章，与当下流行的“点赞”“分享”一样，很多人都会因为“欣赏”而选择“转发”到各大论坛。今时今日，我们大多数人在转载他人文章时，还会特别注明“转载自xxx”，可在以前，人们的意识还没有那么强，那时，在线播放的视频资源还是比较少的，转载的难度不高，手段也比较粗糙，仅凭复制粘贴就可以转载大部分的资源，导致优秀的作品很难找到出处，甚至搜索引擎前三页都没有原创作者及其发布的论坛的信息。这就导致原创作者及论坛站长们的极度不满。很快，站长们就研究出了各种各样的防盗链技术，其中，最常见使用最广泛的就是图片资源的防盗链技术。

它的实现原理，其实也很简单，其实就是检查请求头（headers）里的referer字段的值，来判断的。这里对防盗链策略的攻防不做过多的阐述，引一篇文章，大家大概了解一下原理即可。

由此可以看出，防盗链的产生，可以说是最原始的反“扒”策略了，正式拉开“爬”与“反爬”战争的序幕。

人，都是自私的：

随着互联网日益繁荣，内容、资源也日渐丰富多采，对于那些没有资源在手的人来说，他们也已经不再满足于简单的摘抄了，毕竟手工操作，成本太高、效率太低了，也很难及时发现新鲜热点资源，但又极度渴望。

于是，面向大众的草根爬虫系统诞生了。为什么要说是“面向大众”的呢，我这里想作一个区分，其实，普遍意义上的爬虫，并不是在这时才诞生的，想想我们之前章节介绍的爬虫原理，不难猜测出，第一只爬虫，很可能就是伴随着浏览器的诞生而诞生的，浏览器不就是爬虫么！而浏览器的诞生，可要早的多的多。然而，全球最大的爬虫，恐怕要算是搜索引擎了，也要比这些草根爬虫出生的更早。

一碗水端不平：

对于大部分资源主，面对大爬虫“搜索引擎”是持欢迎的态度的，甚至还绞尽脑汁的优化SEO、提升搜索排名，生怕被搜索引擎落下。当然，他们似乎也默契的达成了某种“君子协议”——robots协议，这里引用百度百科的词条，有兴趣的可以深度了解一下：）

但是对于草根爬虫的姿态可就没那么优雅了，想尽办法，生出各种反爬策略来阻止、阻挠、限制草根爬虫的肆意生长：（

当然了，这碗水端不平，是完全可以理解的：

对于非资源主来说，他们又非常渴望这些优势资源，有的是他们没有能力获取的，有的是他们没有权力获取的，但他们又有着各自的目的，比如：股票分析、科学研究等，没有资源，就等于没有根基，而握有资源的资源主，可能又不向这个方向发展，这就更加使得非资源主想要得到如此资源的迫切程度超乎一切；

对于资源主来说，一方面，他们不希望优势资源被普及，垄断才是他们的期望，比如，某友圈、某博；另一方面，他们也不得不考虑如果童叟无欺的面向草根爬虫开发资源，那么，带来的（身心及服务器）压力都是巨大的，能不能挺得住，尚未可知……

展开博弈：

既然是技术型文章，下面就从技术的角度拉一个表单，列举出我所能想到的以及常见反爬与反反爬策略：

常见反爬与反反爬策略

反爬策略	反反爬策略
限制、过滤Referer	伪造、清除Referer
Cookies验证	保留、伪造必要Cookie，删除非必要Cookie
User-Agent	随机分配模拟User-Agent
匿名帐户访问限制	模拟注册帐户、模拟登录，伪造Cookie或Token
限制同一IP的访问频率	拉大访问间隔，降低访问频率，使用代理（池）
图形识别、文字、数字、字母图片识别验证码	手工打码、打码平台、OCR
滑动验证码	JS模拟
手机验证码	号商
语音验证码	号码识别、语音识别、播放录音
用户行为检测	模拟真实用户行为轨迹，避免广度优先，选择深度优先
其他更为复杂的反爬策略	自动化测试方式、脚本
终极反爬策略	手动采集 T_T

 表格中列出了大部分常见的反爬及反反爬策略。随着反爬策略的升级，反反爬的难度也是日益提升。

感慨：

从事爬虫这么多年，感慨颇多。双方在这场博弈中，斗智斗勇，也是两败俱伤，各自徒升成本不说，还胜负难料。

幻想： 

既然资源可以被看得到摸得着，那么，它就不是保密资源，既然不是保密资源，资源主又何苦死抱着不放。曾几何时，谁又能想到，软件项目居然可以开源，时下开源项目如此繁荣，是软件行业的一大幸事。资源主何时能想明白这件事，就像博客园如此火爆的社区，每日的更新也不过1~2千，反爬策略再严格，魔高一尺、道高一丈，再不济，多加几个人，人工采集也可以跟得上。但，这不是科学的发展、人类的进步的体现，这是一个恶性的循环。

大胆的幻想一个良性循环的圈子，资源主与草根爬虫也可以搭建一个“君子协议”啊，资源主可以以提供数据接口的方式，将数据开放，草根爬虫根据协议，获取所需数据。当然，资源主可以对数据进行付费、免费的划分，甚至是高价低价的划分，玩法花样颇多。这样，资源主也不必劳心劳神的处处提防，徒增烦恼与成本。草根爬虫也不必花费高昂的代价去获取资源。

而且，现在的云平台，鼓吹各种服务上云，是，水龙头都上云了，可惜拧开一看，没水……只有数据上云，那才能称得上是真正的云平台，才能真正的符合云平台的理念，也才能真正的体现云平台的价值。

资源主也可以依托云平台，将数据服务与主要业务分离，压力转移到云平台，这样，也不用担心草根爬虫聚集造成的正常业务受到影响了。

对于非资源主来说，无论出于什么目的，使用什么手段，获取他人数据，都会带来很多成本（开发成本、设备成本、维护成本）还有可能伴随着反爬策略升级、资源方间歇性掉线，中间造成数据断档，想要实现一个长期稳定的业务线，也是无比困难，苦不堪言。何不直接以此成本，购买一个安心的服务呢。

在资源平等时，想要取胜，拼得就是服务了，而服务的不断提升，这才是将社会推向新发展的方向：）

 

 

喜欢本系列丛书的朋友,可以点击链接加入QQ交流群(994761602)【C# 破境之道】
方便各位在有疑问的时候可以及时给我个反馈。同时，也算是给各位志同道合的朋友提供一个交流的平台。
需要源码的童鞋，也可以在群文件中获取最新源代码。