PythonWeb爬虫反爬策略教程_IP代理与验证码识别案例
爬虫需综合运用IP代理轮换、验证码识别、请求头与行为模拟及JS逆向四类技术绕过反爬。IP代理池应选HTTPS支持的付费或自建服务；验证码优先调用打码平台API；User-Agent等请求头须轮换并控制请求频率；JS动态参数需通过浏览器分析后用PyExecJS或Playwright执行。
态参数需通过浏览器分析后用PyExecJS或Playwright执行。IP被封、验证码弹窗、请求被拒——这些是写爬虫时最常遇到的反爬“拦路虎”。光靠requests发请求已经不够，得学会用IP代理轮换和验证码识别来绕过限制。核心思路就两条：让服务器觉得你不是机器人，且每次访问像不同用户。
IP代理池搭建与动态切换
单个IP高频访问必然触发风控，代理池能分散请求来源。免费代理不稳定，建议用付费服务（如快代理、芝麻代理）或自建代理池（通过云服务器+ Squid 代理软件）。
使用时注意三点：
- 代理必须支持HTTPS，否则requests会报错
- 每次请求前随机选一个代理，并设置超时（timeout=10），避免卡死
- 捕获异常（如ProxyError、ConnectTimeout），自动剔除失效代理并重试
示例代码片段：
proxies = {"http": "http://user:pass@host:port", "https": "http://user:pass@host:port"}response = requests.get(url, proxies=proxies, timeout=10)
验证码识别实战：从截图到提交
常见验证码分三类：数字字母组合（易识别）、滑块验证（需模拟拖动）、点选文字（需OCR+坐标定位）。入门推荐先攻第一种。
主流方案有三种：
- 打码平台API（推荐）：如超级鹰、云打码，准确率高（95%+），按次扣费，接入简单，适合中小项目
- 本地OCR模型：用tesseract + OpenCV预处理（灰度、二值化、去噪），适合固定样式验证码，但泛化差
- 训练轻量CNN模型：用TensorFlow/Keras训练4位字符分类器，需标注几百张图，适合长期稳定需求
关键细节：验证码图片通常带干扰线/扭曲，预处理比识别本身更重要；识别后务必校验长度和字符范围（如只含数字和大写字母）。
请求头与行为模拟：别让服务器一眼看穿
代理和验证码只是表层，真实用户行为才是重点。光换IP不换User-Agent，照样被秒封。
至少做到以下四点：
- User-Agent要轮换（从真实浏览器UA池中随机取，避免用默认requests UA）
- 加Referer和Accept-Language，匹配目标站点常用来源
- 控制请求间隔（time.sleep(random.uniform(1, 3))），避免匀速高频
- 必要时用Selenium或Playwright模拟点击、滚动等动作，绕过JS检测
注意：Selenium虽强，但慢且易被检测（window.navigator.webdriver为True），可用undetected-chromedriver或手动patch规避。
应对JS渲染与加密参数
很多网站的URL参数、cookie或headers由前端JS动态生成（比如sign、token、timestamp），直接抓包看不到逻辑。
解决路径分两步：
- 先用浏览器开发者工具定位生成逻辑（搜索关键词如“sign”、“encrypt”、“getTimestamp”）
- 把JS代码抠出来，用PyExecJS或js2py在Python中执行，或用PyQt5/Playwright直接调用原生JS上下文
小技巧：在Chrome控制台里右键“Copy as cURL”，再转成Python requests代码，能快速还原真实请求结构。
