花式反爬之某众点评网

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 2050 天前的主题，其中的信息可能已经有所发展或是发生改变。

某众点评网的反爬措施是真的🐮，但误伤率也比较高。如果没有加农炮（加强型爬虫代理 IP ），获取到的数据量会少之又少。

除此之外，该网站设置了多种反爬措施，多种数据逻辑障碍等来 ban 爬虫，是我目前为止碰到的最难缠的网站。

但是如果你真的造完该站点的爬虫程序，你会发现维护很累，基本上一天一个样（可能有点夸张）。但是作为训练目标，真的很有收获。

https://github.com/Northxw/Dianping 项目已提交 github，欢迎提交 issue。

emsp

反爬

爬虫

点评网

54 条回复 • 2019-05-01 22:16:45 +08:00

2019-04-25 12:01:55 +08:00 via iPad

我记得在一篇文章里面读到过一个说法，反爬不是为了阻止爬虫，而是为了增加爬虫难度，所以要一天一个样，比的就是勤勉。

有谁能够讲一讲爬虫和反爬的道理？论理不论事。请不吝赐教！

Klingon

2019-04-25 12:09:13 +08:00

#1 "比的就是勤勉" 🐂

lhx2008

2019-04-25 12:13:36 +08:00 via Android

只要能被用户看到，理论上就可以被爬，但是大规模的爬已经有很多方法控制，现在就是小规模爬取上面打游击战
@PP

dcalsky

2019-04-25 12:22:02 +08:00 via Android

楼主有研究过登录吗？登录接口需要带 cookie 才能成功的那种，而 cookie 的获取方式需要在页面上触发 click 事件从而发 http request。

ml1344677

2019-04-25 12:25:21 +08:00

@dcalsky 所以 cookie 池出现了

dot2017

2019-04-25 12:25:57 +08:00

点评是真的变态，我现在网页版基本就处于没法用的状态，打开一家餐厅就验证，验证以后还不会自动跳转

lithiumii

2019-04-25 12:31:54 +08:00

点评我网页版也经常用不了，后来才知道是反爬……

n329291362

2019-04-25 12:32:49 +08:00 via Android

爬客户端协议🌚

Northxw

2019-04-25 12:47:51 +08:00

@n329291362 ？

@lithiumii 哈哈，被坑了吧

@dot2017 公认的反爬比较变态的一家站点。

@dcalsky 登录如果只要 cokkies 而没有加密参数，应该很 easy 的，但是不清楚你说的具体情况是什么

@lhx2008 确实，但是当反爬成本比较高的时候，比如大众点评，维护费用真的很高的。

@PP 没有真正的反爬，只有难度的加深，最终....

ml1344677

2019-04-25 12:53:07 +08:00

@PP 高德的反爬从来不会限制你 IP 对服务器的访问，我需要抓取的数据里面有一个 list,顺序很重要。高德的反爬是将这个 list 的排序打乱，而你又要花计算成本去计算这个 list 是否正确。所以根本不是反爬虫，而增加了爬虫成本。

2019-04-25 12:59:47 +08:00 via iPad

@lhx2008 谢谢指点！祝好！

@Northxw 您和那篇文章作者有同样的看法，看来高手在一些问题是是有很强的共识的。

@vcinex 借地回复。您两天前 @ 我的信息今天才到，而且那篇文章我没有权限看到。根据文章的标题和您提出的问题，我大致猜测了一下事由，尝试回复和探讨一下。对于二次 clone 后再分享，要拆开，二次 clone 没问题，再分享会因为缺少授权而受到法律限制。在理论法律环境下，可能会因为不满足立案条件或难以评估损失而无法追责。现实中，口袋罪。我不是律师，信口开河，当不得真。

2019-04-25 13:01:50 +08:00 via iPad

@ml1344677 似乎可以理解为增加重复性成本？受教！感谢！祝好！

Ultraman

2019-04-25 13:07:12 +08:00 via Android

@PP 感谢大佬指点。
另，长见识了才知道还有口袋罪这么个说法…

l0wkey

2019-04-25 13:14:19 +08:00

17 年时候学习 pyspider 框架时候练手爬过，爬了 1200w+的页面，基本没感受到反爬😂...

TheBestSivir

2019-04-25 14:01:35 +08:00

别光爬啊，多用用我司产品啊。再爬就给你们爬倒闭了呀

stephenliubp

2019-04-25 14:18:32 +08:00

看看我的这个 Web 端反爬虫方案： https://github.com/FantasticLBP/Anti-WebSpider

Northxw

2019-04-25 14:22:26 +08:00

@stephenliubp 可以的

@l0wkey 哈哈都过时了

@TheBestSivir 哎吆。。

dcalsky

2019-04-25 14:38:37 +08:00 via Android

@Northxw 获取 cookie 很麻烦，需要真实的浏览器环境才行。

Aliennnnnn

2019-04-25 14:55:21 +08:00

@dcalsky 用 puppeteer 呀

JCZ2MkKb5S8ZX9pq

2019-04-25 15:09:21 +08:00

说到某团我就来气。
去年我们好好地爬着 x 红书，给客户做媒体方案，顶多限制 ip 频次，但也能用。

然后大众 X 评 tm 就整个爬了 x 红书，把一堆现成的帖子评论放自己产品里，结果 x 红书立刻升级了反爬……
大众 X 评自己嘛坑得一逼，贼当久了看谁都像贼。网页版正常访问，开一个页面都要验证至少两次。
已经删了，偶尔用下小程序。

n329291362

2019-04-25 16:06:14 +08:00

@Northxw 他们客户端类似于 https 加密好像没做反爬

Northxw

2019-04-25 16:21:03 +08:00

@dcalsky 你说的还是大众点评吗？

@JCZ2MkKb5S8ZX9pq 哈哈哈，现在互联网数据不都是这样搞嘛大家都心知肚明

@n329291362 哦豁，还有这种操作，可以尝试一下啊

aver4vex

2019-04-25 16:24:01 +08:00

我碰到过必须开启 JavaScript 的网站，只能用 selinum 搞。

Northxw

2019-04-25 16:27:06 +08:00

@aver4vex 试试 pyppeteer 吧，要慢慢了解。不过 selenium 更大众化啦

dcalsky

2019-04-25 16:52:26 +08:00 via Android

@Aliennnnnn puppeteer 慢呀高并发需求

tikazyq

2019-04-25 16:55:53 +08:00

已 star，考虑用 crawlab 来运行一下，https://github.com/tikazyq/crawlab

dcalsky

2019-04-25 16:56:37 +08:00 via Android

@Northxw 不是，一个需要登录的购物网站，我需要做下单

Northxw

2019-04-25 17:47:36 +08:00

@tikazyq 类似 Gerapy 的可视化工具嘛？看起来不错，已 star。

@dcalsky 可以告诉下地址嘛，我也试试啦。

crab

2019-04-25 17:58:21 +08:00

@aver4vex js 这种扣出相关函数算出符合数据就行了。无规律给脏数据就很麻烦了。

jccg90

2019-04-25 18:10:11 +08:00

这垃圾网站，别说爬虫了。。。人去看都费劲。。。
用 app 的接口爬还行

akira

2019-04-25 18:16:04 +08:00

反爬只能增加爬虫成本并不能杜绝

Northxw

2019-04-25 18:28:27 +08:00

@crab 对的，大部分靠这种办法都能解决。

@jccg90 哈哈，有点画面感哦

@akira 对的

akira

2019-04-25 18:50:49 +08:00

@tikazyq crawlab 不错的样子，要是爬虫脚本能分享就好了

luanguang

2019-04-25 18:54:18 +08:00 via Android

大佬歪个楼……我想请问一下你是怎么提升爬虫技术水平的

我是一开始是使用 pyspider 爬取一些网站，然后对爬虫开始感兴趣，然后看书敲代码，学 scrapy 框架。不过遇到反爬厉害一点的网站就只会用 selenium+代理池强行怼……所以想问问有什么继续进阶的方向。

tikazyq

2019-04-25 19:14:59 +08:00

@akira 正在考虑这个功能，不过是个大功能，可以关注一下，近期会考虑开发

akira

2019-04-25 19:20:56 +08:00

@tikazyq 参考下神箭手他们家做的挺不错的了

fenghuang

2019-04-25 19:44:32 +08:00

是不是必须有代理池才能玩

Northxw

2019-04-25 19:55:46 +08:00

@luanguang 平心而论，感觉自己还比较菜。
简单说：实践，实践，多实践。刷书后，多敲代码巩固，不管书上内容对个人来说多么通俗易懂，你不上手永元不知 Bug 所在。该过程可以完善你的知识框架。进阶的方向有很多：App，增量式，分布式（ rabbit,celery 等），集群，大数据等，到时候自己决定。

@fenghuang 小爬虫，便宜的付费代理可以搞一下

miaomiao0323

2019-04-25 20:38:17 +08:00

@stephenliubp #16 我的理解是对数字做了一次自定义的加密，但是前端解密肯定是在 js 的啊，爬虫可以找到这段 js，把你的算法解出来

2019-04-25 20:44:03 +08:00 via iPad

@JCZ2MkKb5S8ZX9pq 哈哈哈哈，笑死我了。

aver4vex

2019-04-25 20:48:46 +08:00

@crab 我爬的那个网站是先检测浏览器是否启用 js，然后服务端负责跳转到不同页面。要是用的是 react，node，vue 之类的还倒好搞。

aver4vex

2019-04-25 20:49:26 +08:00

@Northxw 试一下，看看性能跟 selinum 比咋样。

matsuz

2019-04-25 21:39:49 +08:00

大众点评虽然爬起来比较麻烦，不过还好吧

最麻烦的我感觉是天猫淘宝的搜索页

redsonic

2019-04-25 21:43:33 +08:00

说实在的,啥时候有基于人工智能的爬虫.

Northxw

2019-04-25 22:04:53 +08:00

@matsuz 你说的是基于登录界面的抓取吗？

@redsonic 爬虫的趋势在向智能化系统方面发展，不过最终留下来的肯定是大虫啦

yanzixuan

2019-04-26 10:16:47 +08:00

@matsuz 淘宝？我正常使用都显示不了。

rocketman13

2019-04-29 14:06:52 +08:00

问一下计算偏移量的公式在那个文件可以找到呢

Northxw

2019-04-29 16:39:43 +08:00

@rocketman13 可以的，数字的偏移量计算比较固定，文字的偏移量计算比较多变，我在 md 文档里面有说明，你可以看下

bituplink

2019-04-30 08:15:09 +08:00

@PP 可以看下这个图,我也刚尝试爬虫,但是觉得这个图让我更好的理解了爬虫与反爬虫的思路
http://www.bituplink.com/python-crawler-study-six-level-graph.html

2019-04-30 23:25:36 +08:00 via iPad

@bituplink 谢谢您的推荐和分享！祝好！

Don9

2019-05-01 10:02:08 +08:00

@Northxw 楼主你好，我是一个学生，最近在做一个社会调查，需要一个市级城市的餐饮数据，自己不是学编程专业的，对于大众点评这种有反爬虫网站实在是力不从心，您能帮我爬取一份数据么，如果可以，可以联系我 QQ：NjIwMDAwMjY1，万分感谢.

Northxw

2019-05-01 18:24:49 +08:00

@Don9 第一次见全英文扣扣号

Don9

2019-05-01 20:59:22 +08:00

@Northxw BASE64 编码

Northxw

2019-05-01 22:16:45 +08:00

@Don9 这个就有点骚了，也不给点提示