爬虫立场
爬虫的目的就是大规模地、长时间地获取数据，不过，总使用一个IP去爬网站，大规模集中对服务器访问，时间一长就有可能被拒绝，爬虫长时间爬取数据，还可能会要求验证码，即便是多个账号轮流爬取仍然会出现要求输入验证码的情况。下面5个技巧是爬虫常用的：
技巧一：设置下载等待时间/下载频率
大规模集中访问对服务器的影响较大，也容易被服务器屏蔽IP。爬虫程序可以增大爬取时间间隔。这样比较不容易引起服务器注意。
技巧二·：修改User-Agent
最常见的就是伪装浏览器，修改User-Agent(用户代理)。
具体方法可以把User-Agent的值改为浏览器的方式，甚至可以设置一个User-Agent池(list，数组，字典都可以)，存放多个“浏览器”，每次爬取的时候随机取一个来设置request的User-Agent，这样User-Agent会一直在变化，防止被墙。
技巧三：设置cookies
cookie其实是储存在用户终端的一些被加密的数据，有些网站通过cookies来识别用户身份，如果某个访问总是高频率地发请求，很可能会被网站注意到，被嫌疑为爬虫，这时网站就可以通过cookie找到这个访问的用户而拒绝其访问。
1. 自定义设置cookies策略(防止cookierejected问题，拒绝写入cookie) 在系列一那篇文章里就有自定义cookie策略设置，但更多的借鉴是官方文档的例子，设置方法其实都大同小异，因为HttpClient-4.3.1组件版本跟以前旧版本的不同，写法也有不同，另见官方文档：http://hc.apache.org/httpcomponents-client-4.3.x/tutorial/html/statemgmt.html#d5e553
2. 禁止cookies 通过禁止cookie，这是客户端主动阻止服务器写入。禁止cookie可以防止可能使用cookies识别爬虫的网站来ban掉我们。 在scrapy爬虫中可以设置COOKIES_ENABLES= FALSE，即不启用cookies middleware，不向web server发送cookies。
技巧四：分布式爬取
分布式爬取的也有很多Githubrepo。原理主要是维护一个所有集群机器能够有效分享的分布式队列。
使用分布式爬取还有另外一个目的：大规模抓取，单台机器的负荷很大，况且速度很慢，多台机器可以设置一个master管理多台slave去同时爬取。
技巧五：修改IP
很多时候服务器识别的是IP，不是账号。也就是说，当需要连续抓取很多数据的时候，模拟登录没有意义。只要是同一个IP，不管怎么换账号也没有用，主要的是换IP。
web server应对爬虫的策略主要就是直接将IP或者整个IP段都封掉禁止访问，当IP被禁封后，转换到其他IP继续访问即可。方法：代理IP、本地IP数据库(使用IP池)。
反爬虫阵营
前面说了那么多爬虫技巧，貌似爬虫很强大！爬取办法很多。那么站在反爬虫角度，服务器要如何防爬虫呢？常见的办法是封IP。但是在上述技巧5面前，封IP也会失效。毕竟现在代理地址那么多，不能把那么多IP段全封了吧，那样很多正常用户也没办法访问网站了。而且更重要的是，那要消耗很大的人力、时间。
最直接简单的办法，其实是使用具有反爬虫功能的WAF。这里讲的反爬虫功能可不是封IP这种老办法。爬虫技巧虽多，但现在的WAF反爬虫能力，也是相当给力的。比如ShareWAF（http://www.sharewaf.com/），具备很强大的反爬虫能力，比如前面讲到爬虫有5大技巧，而ShareWAF，同样有五种反爬虫手段：
ShareWAF反爬虫手段1：封IP。
呵呵，虽然刚刚讲封IP是种低级的爬虫对付办法，但做为WAF还是保留了这个手段。
ShareWAF反爬虫手段2：爬虫识别
根据User-Agent，也是会阻拦一批爬虫。
ShareWAF反爬虫手段3：网页源码加密
爬虫获取信息，很多时候是需要从网页源码中获取链接信息的，ShareWAF的网页源码加密功能，可以直拦阻止这类爬虫。
ShareWAF反爬虫手段4：网页链接隐藏
ShareWAF的前端WAF功能，可以隐藏网页中的链接（注：是浏览器解析后的，并非网页源码），又进一步断了一条爬虫获取信息的路子。
ShareWAF反爬虫手段5：动态令牌
对于关键链接，用停牌保护，每次访问（包括爬虫的访问）都需要带有正确的令牌，否则会被阻止。
五种爬虫技巧，五种反爬手段，谁更胜一筹呢？根据ShareWAF官方给出的POC，ShareWAF可以阻止“一切”爬虫！强当的强劲！