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
honmaple
V2EX  ›  Python

Django 如何从程序中识别爬虫?

  •  
  •   honmaple · 2016-12-04 18:33:03 +08:00 · 2389 次点击
    这是一个创建于 2900 天前的主题,其中的信息可能已经有所发展或是发生改变。

    不考虑 nginx,Django 如何从程序中识别爬虫或搜索引擎,现在是

    user_agent = request.META.get('HTTP_USER_AGENT')
    spider  = ['bot','Bot','spider','Spider']
    for s in spider:
         if s in user_agent:
               return 'spider'
    

    不知道有没有更高效的方法?

    13 条回复    2016-12-05 23:11:06 +08:00
    virusdefender
        1
    virusdefender  
       2016-12-04 18:37:16 +08:00 via iPhone
    如果只是说 ua 的话,用正则会好一点点
    ranleng
        2
    ranleng  
       2016-12-04 18:54:43 +08:00 via Android   ❤️ 2
    放个隐藏的 URL 爬到了就是 爬不到就是人
    yangxg
        3
    yangxg  
       2016-12-04 23:35:29 +08:00
    @ranleng good idea? 这个方法有什么缺点么?在反爬技术中常用么?
    pc10201
        4
    pc10201  
       2016-12-05 09:25:19 +08:00
    看过一个方法,网页上创建一个空的 css 文件,然后加载了这个 css 的就是正常的浏览器,没有加载的就是爬虫,然后封 IP~
    supersu
        5
    supersu  
       2016-12-05 11:32:19 +08:00
    楼上几位的思路可以的,厉害
    yanzixuan
        6
    yanzixuan  
       2016-12-05 11:58:39 +08:00
    @yangxg 算是比较叫常用的招数。
    如果主页给个 token ,访问其他页面要带着 token 。
    给访问次数和频率加以限制。
    内容藏加载的 JS 里面,当然这主要是为了解决跨域,但是对爬虫也有点效果。
    ajax 需要带制定的随机参数,这个参数的生成可以由 cookie 里的字段和其他东西+js 来生成。
    防止别人爬是防不了的,你要防的是别人大规模的爬你的数据。
    hugo775128583
        7
    hugo775128583  
       2016-12-05 12:06:23 +08:00
    用 platformJS 或者 selenium 的爬虫怎么破
    yanzixuan
        8
    yanzixuan  
       2016-12-05 15:25:23 +08:00
    @hugo775128583 你要相信,用 phatomjs 和 selenium 的爬虫,规模跟并发是无法于纯 python 比的。
    Yc1992
        9
    Yc1992  
       2016-12-05 15:34:32 +08:00
    用 js 操作 cookie 和 token ,欺负欺负纯 python 的静态页面爬虫。
    ranleng
        10
    ranleng  
       2016-12-05 19:19:12 +08:00 via Android
    @yangxg 然而并不知道具体怎么走。 只是看到过一篇关于反爬虫的文
    honmaple
        11
    honmaple  
    OP
       2016-12-05 22:35:13 +08:00
    @virusdefender 嗯,现在已改成正则
    honmaple
        12
    honmaple  
    OP
       2016-12-05 22:40:42 +08:00
    我只想简单的判断一下爬虫与非爬虫,但 get 到很多技能,Thank you
    mingyun
        13
    mingyun  
       2016-12-05 23:11:06 +08:00
    @ranleng 机智
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   4035 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 38ms · UTC 05:15 · PVG 13:15 · LAX 21:15 · JFK 00:15
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.