小猿看官們在寫爬蟲程式時應該都會遇到如下問題：
- 你的爬蟲程式開發時能正常抓取網頁，但是正式大量抓取時，抓取的網站總是返回403或者500等；
- 你抓取的網站需要登入，要花大量時間去研究網站登入流程。
遇到問題1，我們的第一反應是達到對方訪問頻率限制，IP被對方遮蔽了，然後就找更多IP和降低訪問頻率。
遇到問題2，就硬著頭皮研究對方加密方法，或人肉登入後用機器把cookie儲存下來，耗去好幾天時間。
除了上述直接攻克的方法，還有一種取巧的方法可以繞過上述兩個問題，就是修改http header中的referer來達到。注意這裡是修改referer，不是修改user-agent。
老猿在網路爬蟲的原理和爬蟲分析利器：谷歌chrome瀏覽器中已經介紹過http header和怎麼使用chrome瀏覽器檢視header資訊了，還不太瞭解的小猿看官可以再去複習一下這部分知識，這裡就只著簡單科普一下referer是啥。
referer是告訴目標伺服器(訪問的網站)，你是從哪兒點選進入當前頁面的。
比如你在百度搜尋猿人學，然後點選進入猿人學網站，這個時候透過抓包工具可以觀察到，referer是類似如下樣式：
就是告訴猿人學網站，你是從百度點選進入猿人學網站的。
囉嗦了一大堆，不好意思啊，回到正題。
當你遇到上訴兩個問題時，你可以嘗試把referer改成上述截圖裡的，是從搜尋引擎點選進入的，你會發現有的網站，不會遮蔽從搜尋引擎來的IP或者給這些IP的訪問頻率放得較為寬鬆。 甚至有的網站內容本來是要登陸才能看見，但是你把referer改成是從百度來的，你會發現居然不用登入也能看見了。
其實一句話就能說完，寫了這麼一大篇，額。。。
這些網站為什麼會厚此薄彼呢？
是有些網站想獲取SEO流量，就把從搜尋引擎點選進入的訪問控制放得較為寬鬆的原因。所以當你遇到如上兩個問題時，先改一改referer試試，這樣可以節省你不少的研究時間。這適用於有的爬蟲是個臨時任務或者一次性的爬蟲，不用長期維護，你快速寫好抓完資料就好的時候適用。 這個不是每個網站都有這樣的待遇，在下遇到的有此情況的網站有某職業社交網站，某工商資訊查詢網站，某娛樂票務網站，就醬，只能說這麼多。。。
ps:本篇不是把user-agent改成 Baiduspider ,讓對方網站誤認為是百度蜘蛛的做法。搜尋引擎蜘蛛的IP範圍，透過網站nginx日誌是可以蒐集完的，用點功夫的網站維護人員是知道這個IP是否為正規的搜尋引擎蜘蛛。
你要問俺是如何發現的？
老猿俺除了寫寫爬蟲，還會寫寫網站，順帶做做網站運營工作，就會經常看nginx日誌， 有天看日誌時腦洞開了一下子。。。
我的公眾號：猿人學 Python 上會分享更多心得體會，敬請關注。
***版權申明:若沒有特殊說明，文章皆是猿人學 yuanrenxue.com 原創，沒有猿人學授權，請勿以任何形式轉載。***