爬虫IP允许访问公开数据的方法

大数据时代下，数据采集推动着数据分析，数据分析推动发展。但是在这个过程中会出现很多问题。拿简单基础的爬虫采集数据为例，过程中就会面临，IP无法访问公开数据，爬取受限、违法操作等多种问题，所以在爬数据之前，一定要了解好预爬网站，找到合适的代理IP访问网站等一系列问题。

此外，为了更加便捷高效地工作，程序员在设计爬虫之初就会考虑，用爬虫去模拟用户的行为，以减少IP无法访问公开数据的几率。模拟用户行为一是为了爬取数据异步加载页面方面，二也是为了爬虫行为高度模仿用户行为，终目的还是为了高匿——高度隐匿自己的真实ip。那么，应该怎么做高匿呢？

1、user-agent：这也是一个比较重要的数据特征，要做在爬虫里面灵活设置，好和目前主流浏览器环境的user-agent一模一样，随着浏览器的版本变化，你的user-agent也会变化。pyspider的user-agent是在一个爬虫项目里面做爬取全局设置。

2、如果高度模仿浏览器请求，有个简便方法：看chrome网络请求的curl all copy信息。

3、cookie：这个东西可能会被很多爬虫开发者所忽视，实际上它是非常重要的，cookie行为的仿真不但涉及到用户行为模拟，而且会直接导致某些访问请求碰到权限或者其他方面的错误。pyspider的cookie可以直接在爬取请求里面设置。

4、IP保护安全访问，现在网上有很多高匿http代理，所谓高匿代理，就是代理对被访问服务器完全保护安全访问其被代理的客户端，注意：使用网上的高匿代理比如使用ipidea全球http具备全球地区的高匿名IP，一定要先在自己的服务器上试一下，防止伪高匿发生,在Pyspider的Phantomjs中使用代理服务器，需要单独启动phantomjs服务，启动命令：

使用上面这个命令，必须是pyspider0.37及其以后版本。对于Selenium webdriver，怎么用代理，看Selenium文档吧。

5、登录session问题：session问题在客户端主要是cookie问题，如果你能做到cookie全局仿真，session肯定不是问题。