有一个词叫做“三月爬虫”，指的是有些学生临到毕业了，需要收集数据写毕业论文，于是在网上随便找了几篇教程，学了点requests甚至是urllib和正则表达式的皮毛，就开始写爬虫疯狂从网上爬数据。这些爬虫几乎没有做任何隐藏自己的举动，不换IP，不设置headers，不限制速度，极易被有反爬的网站封锁，极易给没反爬的小网站造成流量压力。
后来，他们又不知道看了哪篇文章，知道要使用代理IP，要修改UserAgent。于是，他们真的就只在headers设置UserAgent，其他项一概不设置。你给他指出来，他还振振有词：你看我这样能爬到数据啊，headers里面其他项目没有用。
事实真的是这样吗？
我们来做个实验，首先使用Chrome访问 这个网站可以显示当前你的headers。运行效果如下图所示：
然后，再使用requests不设置headers请求这个URL，运行效果如下图所示：
最后，我们仅仅设置一个UserAgent看看效果：
可以看出来，仅仅设置一个UserAgent，与用浏览器访问的 Headers 还是有很多不一样的地方。缺了很多项。网站只需要检测缺的这几项，就能确定你是用程序发起的请求还是用浏览器发的请求。
说回网页版的问题。很多人使用py或者 itchat 这种第三方库通过 Python 控制自己的号，实现很多自动化操作。但不久以后就反馈说自己被限制登录网页版了，以为是不是自己的行为被发现了，例如一秒钟内发了几十条消息，或者同时回复了好几个人的消息。
但我要说的是，你们太高估自己了，要发现你们，根本就不用这么麻烦。它直接检查headers就可以了。
我们来看一下py的源代码中，涉及到网络请求的地方：
py是基于itchat二次开发的，登录功能是通过 itchat 来实现的。我们再来看看itchat里面发起网络请求的地方：
其中的 self.core.s就是一个 requests 的 Session，如下图所示：
看到了吗？这两个库，他们在headers里面只放了UserAgent，其他字段都没有放。所以在你登录的瞬间，就已经知道你这个账号没有用浏览器登录了！
所以，那些用了py或者itchat就被限制登录网页版的人，不要怀疑，你们就是被这两个库给害了。这两个库里面涉及到网络请求的相关代码，水平一看就是一个学了两三天爬虫的人写出来的代码。
你用这两个库就是让你的号去送死。
不仅仅是这两个库，我们再看看很多人使用的Python 弹幕包，更夸张，在获取斗鱼直播信息的时候，直接用requests请求网址，连headers都没有设置，如下图所示：
这纯粹就是送死行为。
现在大网站的机器行为对抗团队一般会把检测爬虫与封禁爬虫分开。因为反爬虫策略多了以后，不可避免存在误伤的情况，为了尽可能降低误伤率，检查爬虫时会对请求的可疑性进行打分，当你出现疑似爬虫行为时，给你的请求加上一些分数，某些行为分数高，某些行为分数低。当你总积分达到一定程度时，再调用封禁的流程。
由于 HTTP是无状态的，如果你要爬的网站不需要登录，那么也许你频繁更换 IP 有用（阿布云的代理池就是被这样污染的）。
但是对于这种需要登录的情况，你的所有可疑行为的积分都会直接关联到你的这个账号上。于是，一开始可能你用 py 登录网页版没问题，这个时候你的可疑性积分还不够高，可能确实有一些老古董浏览器的 Headers 就是少了很多项？但是你已经在怀疑名单里面了。一旦你又出现了其他可疑行为导致可疑性积分继续增加，那么当已经可以100%确信你就是用的自动化程序登录网页版的时候，封禁你就是自然而然的事情了。
（完）
看完本文有收获？请转发分享给更多人
关注「Python那些事」，做全栈开发工程师
点「在看」的人都变好看了哦