- 引言
在数据采集领域，爬虫工程师常常面临目标网站的反爬机制，如IP封禁、人机验证（如滑块验证、点击验证、短信验证等）。贝壳网作为国内知名的房产交易平台，其反爬策略较为严格，包括但不限于：
● IP封禁：频繁请求会导致IP被拉黑，无法继续访问。
● 人机验证：如滑块验证、短信验证等，阻止自动化工具访问。
● 动态Token：关键请求需要携带动态生成的Token，防止直接模拟请求。 - 应对IP封禁的策略
2.1 使用代理IP池
频繁请求同一IP容易被封禁，因此需要采用 代理IP池 进行轮换。
代码实现：使用代理IP请求贝壳网
import requests
from fake_useragent import UserAgent
代理IP示例（实际使用时建议从代理池API获取）
PROXIES = {
"http": "http://123.123.123.123:8888",
"https": "http://123.123.123.123:8888"
}
headers = {
"User-Agent": UserAgent().random
}
url = "https://www.ke.com"
try:
response = requests.get(url, headers=headers, proxies=PROXIES, timeout=5)
print(response.status_code)
except Exception as e:
print("请求失败:", e)
代理池优化建议
- 多IP轮换：每次请求更换不同代理。
- IP质量检测：定期检测代理IP是否可用。
- 使用高匿代理：避免被识别为代理流量。
2.2 请求频率控制
即使使用代理IP，过高频率的请求仍可能触发反爬。因此需要：
● 随机延迟：在请求之间加入 time.sleep(random.uniform(1, 3))。
● 降低并发量：避免多线程过高并发。
代码示例：随机延迟+代理IP
import time
import random
def crawl_with_delay(url):
try:
time.sleep(random.uniform(1, 3)) # 随机延迟1~3秒
response = requests.get(url, headers=headers, proxies=PROXIES)
return response.text
except Exception as e:
print("请求失败:", e)
return None
- 绕过贝壳网的人机验证
贝壳网常见的人机验证方式包括： - 滑块验证（如极验验证）
- 点击验证（如点选图中文字）
- 短信验证（登录时需要手机验证码）
3.1 使用Selenium模拟浏览器操作
对于滑块验证，可通过 Selenium + ChromeDriver 模拟人工滑动。
代码实现：自动滑动验证
from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains
import time
配置Chrome无头模式（可选）
options = webdriver.ChromeOptions()
options.add_argument("--headless") # 无界面模式
options.add_argument("--disable-blink-features=AutomationControlled")
driver = webdriver.Chrome(options=options)
driver.get("https://www.ke.com")
找到滑块元素并模拟拖动
slider = driver.find_element_by_css_selector(".slider") # 替换为实际滑块元素
action = ActionChains(driver)
action.click_and_hold(slider).move_by_offset(300, 0).release().perform()
time.sleep(2)
driver.quit()
优化方案
● 轨迹模拟：使用 move_by_offset 分阶段滑动，模拟真人操作。
● 手动介入：遇到复杂验证时，可暂停脚本手动完成验证。
3.2 OCR识别验证码
对于图形验证码（如文字点选），可使用 OCR（光学字符识别） 技术自动识别。
代码示例：OCR识别验证码
import pytesseract
from PIL import Image
import requests
from io import BytesIO
下载验证码图片
response = requests.get("https://www.ke.com/captcha.jpg")
img = Image.open(BytesIO(response.content))
text = pytesseract.image_to_string(img)
print("识别结果:", text)
优化方案
● 深度学习模型：使用CNN训练专用验证码识别模型（如CRNN）。
● 第三方打码平台：如超级鹰、联众打码。
- 综合方案：代理IP + Selenium + OCR
结合上述技术，完整流程如下： - 使用代理IP池 轮换请求，避免封禁。
- 控制请求频率，降低被检测风险。
- 遇到验证码时，使用Selenium模拟或OCR识别。
完整代码示例
import requests
from selenium import webdriver
import time
import random
from selenium.webdriver.chrome.options import Options
16yun代理信息
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"
代理IP池（包含认证信息）
PROXIES = [
f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}",
# 可以添加更多代理
]
def get_with_proxy(url):
proxy = random.choice(PROXIES)
try:
# 设置代理
proxies = {
"http": proxy,
"https": proxy
}
response = requests.get(url, proxies=proxies, timeout=5)
if "验证码" in response.text:
return handle_captcha(url) # 处理验证码
return response.text
except Exception as e:
print("请求失败:", e)
return None
def handle_captcha(url):
# 配置Chrome代理
chrome_options = Options()
# 添加代理认证
proxy_auth = f"{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"
chrome_options.add_argument(f'--proxy-server=http://{proxy_auth}')
# 其他Chrome配置
chrome_options.add_argument("--disable-blink-features=AutomationControlled")
# chrome_options.add_argument("--headless") # 无头模式
driver = webdriver.Chrome(options=chrome_options)
driver.get(url)
time.sleep(2)
# 这里添加滑块/验证码处理逻辑
# 示例：打印页面标题
print("当前页面标题:", driver.title)
page_source = driver.page_source
driver.quit()
return page_source
if name == "main":
data = get_with_proxy("https://www.ke.com")
if data:
print(data[:500]) # 打印部分内容
- 结论
应对贝壳网的IP封禁和人机验证，核心策略包括： - 代理IP池：避免单一IP被封。
- 请求频率控制：模拟人类操作节奏。
- Selenium自动化：处理滑块、点击验证码。
- OCR/打码平台：识别复杂验证码。
未来，随着反爬技术升级，可能需要更高级的方案，如：
● 深度学习破解验证码
● 浏览器指纹伪装
● 分布式爬虫架构
合理使用这些技术，可以在合规的前提下高效采集数据。
