Python爬虫反爬技巧：headers与代理使用教学

处理反爬需模拟真实浏览器行为，包括完整headers（如Referer、Sec-Fetch-*）、高质量代理轮换、Session管理Cookie、禁用重定向、合理超时与随机延迟。

处理反爬，核心是让请求更像真实浏览器行为。光靠改 User-Agent 很难绕过现代网站的检测，必须配合合理的 headers 设置 和 代理轮换策略，才能稳定获取数据。

Headers 设置不能只填 User-Agent

很多新手以为加个随机 UA 就万事大吉，其实服务器会校验一整套请求头逻辑。比如：

• Referer 要匹配目标页面来源（如从首页点进详情页，Referer 就该是首页 URL）
• Accept-Language、Accept-Encoding、Connection 这些字段缺失或格式异常，容易被识别为脚本请求
• 部分站点（如知乎、淘宝）还会验证 Sec-Fetch-* 系列头部（如 Sec-Fetch-Mode: navigate），虽非强制，但补全后更接近 Chrome 正常访问

建议用浏览器开发者工具（Network → 某个请求 → Headers）直接复制真实请求头，再用字典传给 requests.get(url, headers=headers)。避免手写不一致的值。

代理不是“有就行”，关键在质量与调度

免费代理池大多失效快、响应慢、IP 被封率高。实际使用中要注意：

• 优先选 HTTP/HTTPS 类型代理，SOCKS5 在 requests 中需额外装 requests[socks]，且多数公开 SOCKS 代理不稳定
• 每次请求前做 代理可用性检测：用 requests.get("http://httpbin.org/ip", proxies=proxies, timeout=3) 验证是否返回正确 IP 且不超时
• 不要固定用一个代理反复刷——设置 请求间隔 + 代理轮换，例如每 3–5 次请求换一次 IP，配合 time.sleep(1–3)

Cookies 和 Session 处理常被忽略

有些网站（如登录态页面、AJAX 接口）依赖 Cookie 或完整会话上下文。单纯发 GET 请求拿不到数据：

• 用 requests.Session() 保持会话，自动管理 Cookie
• 首次访问首页时，先 session.get(home_url)，再用同一 session 请求后续接口
• 若需登录，模拟表单提交后检查响应内容是否含 “登录成功” 或跳转，确认 Cookie 生效再继续

强行在 headers 里硬编码 Cookie 字符串，容易因过期或签名失效导致 403。

简单但有效的“拟人化”补充技巧

除了 headers 和代理，几个小动作能显著降低被拦截概率：

• 禁用自动重定向：allow_redirects=False，防止跳转链暴露行为模式
• 设置合理 timeout（通常 5–10 秒），超时就换代理重试，避免卡死
• 对响应状态码做分级处理：200 正常解析；403/429 表示被限流，暂停几秒再试；503 直接换代理
• 必要时加随机延迟（random.uniform(1.2, 3.8)），避免请求时间过于规律

不复杂但容易忽略。