网络爬虫小偏方：突破登录和访问频率限制，多研究对方不同终端产品

其实在抓取数据时，如果有大量的离散账号和离散IP的话，抓取数据就问题不大了。但是老猿相信大部分的爬虫选手们都没有这么多的资源，所以就会绞尽脑汁研究和各种尝试对方的访问控制策略，如果始终无法破局，这时就要跳出来想下其他办法，比如多使用一下对方的产品，包括APP，网站，微信等，抓包看看他们之间的URL有没有关联，访问控制策略是否一致等，有时你会找到新的突破口。

曾经老猿想要某职业社交APP里的一些用户详细页的信息用来做分析，但是面临如下问题：

• 该APP必须登陆才能访问所有页面。
• 你的账号如果没有关注对方，对方的详细介绍页面的很多信息就被隐藏了。
• APP的用户详细页面一个账号大概只能访问100次/天(有点记不清具体数字了)就不能访问了。

俺注册了10个该APP账号，模拟登录后一天只能抓1000千多个，还有好些数据不全(因为没有关注对方)， 实在离俺想要的数据量相差较远。
总结上面的问题就是没有足够多的账号，就算账号足够多，每个账号和每个ip也有抓取限制。

于是就把该产品的APP，微信，网页里里外外都翻了一遍，能点的地方都去点一下看看。

有了新的发现：

• 该APP的用户详细页分享到微信后，通过微信打开可以直接访问，不需要登录，也不需要微信授权，用户详细页信息都是全的(解决了需要关注才能查看全面信息问题)。
• 通过APP获取分享到微信的url的接口访问频率控制放得很宽松。
• 虽然在微信上不用登录访问，没有账号限制了，但是还是有单个IP的访问频率控制。

分析完后，老猿舒缓了很多，得出新的抓取思路，就是：

使用10个账号按一定频次通过APP不停的获取每个用户详细页分享到微信的URL，让另外一个程序模仿微信的user-agent不停的访问这些分享到微信的URL（要使用adsl拨号来解决单个IP访问频率控制问题）。
这样通过app加微信的方式解决了对账号的限制问题，实现了曲线救国。

后来老猿就发现好些抓取问题都有这种解决思路，跟我们在网络爬虫小偏方之一里讲的，有的网站为了SEO流量，而把referer来自百度的访问控制放宽了一样。
有的产品为了微信的流量(分享到微信里的页面可以直接打开，点击其他页面时再提示要注册登录)，而对来自微信点击访问控制放宽了。

友情提示：抓取这些社交信息，要合理合法使用，对关键信息最好脱敏，不要买卖这类数据。

我的公众号：猿人学 Python 上会分享更多心得体会，敬请关注。

***版权申明:若没有特殊说明，文章皆是猿人学 yuanrenxue.con 原创，没有猿人学授权，请勿以任何形式转载。***