会写点Python爬虫总要爬点东西来展示下自己（装装逼），今天说说爬虫策略的重要性，写爬虫没有策略不行，在确定目标url以后爬取、分析、存储的策略要大概先在自己脑瓜儿里过一遍。
貌似爬虫爱好者都喜欢爬豆瓣的东西，无论是电影、音乐还是小组等等。所以豆瓣网在反爬方面也是煞费苦心。当你的爬虫没什么策略可言时，很容易就会返回403错误。经过一些实验以及Google的结果，大体可以看出豆瓣的反爬策略：
当你不使用Cookie进行抓取时，连续的多请求几次就会被封，而且是封IP地址，即无论你怎么换UA都会返回403错误。
当你使用Cookie时，第一次请求豆瓣页面会返回一个名为bid的Cookie，以后的请求都会带此Cookie，但当你请求过于频繁时，此Cookie也会被封。但是此时不会封IP地址。
当你不是很频繁（至于这个频率具体是多少，不太清楚）的请求豆瓣时，即使不带Cookie，豆瓣每次都会返回一个bid。
基于以上3点，可以大体得出我们的爬虫策略：
（1）不带Cookie先请求一次，并将返回的Cookie进行保存，下边的所有请求都带此Cookie（用浏览器的调试工具也能拿到cookie）。
（2）请求一段时间被封后，清除所有Cookie后，再次进行请求，返回可用Cookie，依次循环。此策略应该有效，但没有经过验证。我在试验过程中，尝试random获取豆瓣需要的bid值，发现竟然也可用，即bid不需要通过请求获得，直接随机即可。此时策略就更简单了：随机bid值，并加入到Cookie中进行页面请求，当发现被封时，清除Cookie，随机更换bid值。
关键代码：
"Cookie": "bid=%s" % "".join(random.sample(string.ascii_letters + string.digits, 11))
平时在和其他技术人员交流爬虫的时候，很多人喜欢把“分布式”挂在嘴边。其实我玩爬虫那么久了，也算是个老司机了，真正遇到需要分布式抓取的情况还真不多。个人觉得除非是很大型的爬虫，比如抓取淘宝某一大类商品信息（总量大概在几千万级别以上），否则真的很少用到分布式爬虫。
当爬虫需要爬的URL特别多时，此时有两个瓶颈：
1、对方封爬虫请求，即封IP或者利用Cookie、账号等封请求。
2、自己服务器解析比较慢，即爬虫的瓶颈在于解析慢，特别是对于Python爬虫。后者可能需要分布式集群，来提高解析能力，顺便提高抓取速度。而前者可能就需要一点策略了。比如我们上边提高的爬豆瓣的策略。当你不断试验，返现对方服务器的反爬策略时，你就可以根据对方的策略，去选择自己爬虫的策略。但道高一尺魔高一丈，爬虫、反爬、反反爬是一个双方不断博弈、不断斗争的过程，有时候想想也挺有意思。
作者：笑虎
链接：https://zhuanlan.zhihu.com/p/24035574
来源：知乎