作者 | vivo 互聯(lián)網(wǎng)安全團(tuán)隊(duì)- Xie Peng

互聯(lián)網(wǎng)的大數(shù)據(jù)時(shí)代的來臨，網(wǎng)絡(luò)爬蟲也成了互聯(lián)網(wǎng)中一個(gè)重要行業(yè)，它是一種自動獲取網(wǎng)頁數(shù)據(jù)信息的爬蟲程序，是網(wǎng)站搜索引擎的重要組成部分。通過爬蟲，可以獲取自己想要的相關(guān)數(shù)據(jù)信息，讓爬蟲協(xié)助自己的工作，進(jìn)而降低成本，提高業(yè)務(wù)成功率和提高業(yè)務(wù)效率。

本文一方面從爬蟲與反反爬的角度來說明如何高效的對網(wǎng)絡(luò)上的公開數(shù)據(jù)進(jìn)行爬取，另一方面也會介紹反爬蟲的技術(shù)手段，為防止外部爬蟲大批量的采集數(shù)據(jù)的過程對服務(wù)器造成超負(fù)載方面提供些許建議。

爬蟲指的是按照一定規(guī)則自動抓取萬維網(wǎng)信息的程序，本次主要會從爬蟲的技術(shù)原理與實(shí)現(xiàn)，反爬蟲與反反爬蟲兩個(gè)方面進(jìn)行簡單的介紹，介紹的案例均只是用于安全研究和學(xué)習(xí)，并不會進(jìn)行大量爬蟲或者應(yīng)用于商業(yè)。

一、爬蟲的技術(shù)原理與實(shí)現(xiàn)

1.1 爬蟲的定義

爬蟲分為通用爬蟲和聚焦爬蟲兩大類，前者的目標(biāo)是在保持一定內(nèi)容質(zhì)量的情況下爬取盡可能多的站點(diǎn)，比如百度這樣的搜索引擎就是這種類型的爬蟲，如圖1是通用搜索引擎的基礎(chǔ)架構(gòu)：

• 首先在互聯(lián)網(wǎng)中選出一部分網(wǎng)頁，以這些網(wǎng)頁的鏈接地址作為種子URL；
• 將這些種子URL放入待抓取的URL隊(duì)列中，爬蟲從待抓取的URL隊(duì)列依次讀?。?/li>
• 將URL通過DNS解析，把鏈接地址轉(zhuǎn)換為網(wǎng)站服務(wù)器對應(yīng)的IP地址；
• 網(wǎng)頁下載器通過網(wǎng)站服務(wù)器對網(wǎng)頁進(jìn)行下載，下載的網(wǎng)頁為網(wǎng)頁文檔形式；
• 對網(wǎng)頁文檔中的URL進(jìn)行抽取，并過濾掉已經(jīng)抓取的URL；
• 對未進(jìn)行抓取的URL繼續(xù)循環(huán)抓取，直至待抓取URL隊(duì)列為空。

圖1.通用搜索引擎的基礎(chǔ)架構(gòu)

爬蟲通常從一個(gè)或多個(gè) URL 開始，在爬取的過程中不斷將新的并且符合要求的 URL 放入待爬隊(duì)列，直到滿足程序的停止條件。

而我們?nèi)粘Ｒ姷降呐老x基本為后者，目標(biāo)是在爬取少量站點(diǎn)的情況下盡可能保持精準(zhǔn)的內(nèi)容質(zhì)量。典型的比如圖2搶票軟件所示，就是利用爬蟲來登錄售票網(wǎng)絡(luò)并爬取信息，從而輔助商業(yè)。

圖2.搶票軟件

了解了爬蟲的定義后，那么應(yīng)該如何編寫爬蟲程序來爬取我們想要的數(shù)據(jù)呢。我們可以先了解下目前常用的爬蟲框架，因?yàn)樗梢詫⒁恍┏Ｒ娕老x功能的實(shí)現(xiàn)代碼寫好，然后留下一些接口，在做不同的爬蟲項(xiàng)目時(shí)，我們只需要根據(jù)實(shí)際情況，手寫少量需要變動的代碼部分，并按照需要調(diào)用這些接口，即可以實(shí)現(xiàn)一個(gè)爬蟲項(xiàng)目。

1.2 爬蟲框架介紹

常用的搜索引擎爬蟲框架如圖3所示，首先Nutch是專門為搜索引擎設(shè)計(jì)的爬蟲，不適合用于精確爬蟲。Pyspider和Scrapy都是python語言編寫的爬蟲框架，都支持分布式爬蟲。另外Pyspider由于其可視化的操作界面，相比Scrapy全命令行的操作對用戶更加友好，但是功能不如Scrapy強(qiáng)大。

圖3.爬蟲框架對比

1.3 爬蟲的簡單示例

 除了使用爬蟲框架來進(jìn)行爬蟲，也可以從頭開始來編寫爬蟲程序，步驟如圖4所示：

圖4.爬蟲的基本原理

接下來通過一個(gè)簡單的例子來實(shí)際演示上述的步驟，我們要爬取的是某應(yīng)用市場的榜單，以這個(gè)作為例子，是因?yàn)檫@個(gè)網(wǎng)站沒有任何的反爬蟲手段，我們通過上面的步驟可以輕松爬取到內(nèi)容。

圖5.網(wǎng)頁與其對應(yīng)的源代碼

網(wǎng)頁與其對應(yīng)的源代碼如圖5所示，對于網(wǎng)頁上的數(shù)據(jù)，假定我們想要爬取排行榜上每個(gè)app的名稱以及其分類。

我們首先分析網(wǎng)頁源代碼，發(fā)現(xiàn)可以直接在網(wǎng)頁源代碼中搜索到“抖音”等app的名稱，接著看到app名稱、app類別等都是在一個(gè)<li>標(biāo)簽里，所以我們只需要請求網(wǎng)頁地址，拿到返回的網(wǎng)頁源代碼，然后對網(wǎng)頁源代碼進(jìn)行正則匹配，提取出想要的數(shù)據(jù)，保存下來即可，如圖6所示。

#獲取網(wǎng)頁源碼
def get_one_page(url):
    try:
        response = requests.get(url)
        if response.status_code == 200:
           return response.text
        return None
    except RequestException:
      return None
#正則匹配提取目標(biāo)信息并形成字典
def parse_one_page(html):
    pattern = re.compile('<li>.*?data-src="(.*?)".*?<h5>.*?det.*?>(.*?)</a>.*?p.*?<a.*?>(.*?)</a>.*?</li>',re.S)
    items = re.findall(pattern, html)
    j = 1
    for item in items[:-1]:
        yield {'index': str(j),
            'name': item[1],
            'class':item[2]
        }
        j = j+1
#結(jié)果寫入txt
def write_to_file(content):
    with open(r'test.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False)+'\n')

圖6.爬蟲的代碼以及結(jié)果

二、反爬蟲相關(guān)技術(shù)

在了解具體的反爬蟲措施之前，我們先介紹下反爬蟲的定義和意義，限制爬蟲程序訪問服務(wù)器資源和獲取數(shù)據(jù)的行為稱為反爬蟲。爬蟲程序的訪問速率和目的與正常用戶的訪問速率和目的是不同的，大部分爬蟲會無節(jié)制地對目標(biāo)應(yīng)用進(jìn)行爬取，這給目標(biāo)應(yīng)用的服務(wù)器帶來巨大的壓力。爬蟲程序發(fā)出的網(wǎng)絡(luò)請求被運(yùn)營者稱為“垃圾流量”。開發(fā)者為了保證服務(wù)器的正常運(yùn)轉(zhuǎn)或降低服務(wù)器的壓力與運(yùn)營成本，不得不使出各種各樣的技術(shù)手段來限制爬蟲對服務(wù)器資源的訪問。

所以為什么要做反爬蟲，答案是顯然的，爬蟲流量會提升服務(wù)器的負(fù)載，過大的爬蟲流量會影響到服務(wù)的正常運(yùn)轉(zhuǎn)，從而造成收入損失，另一方面，一些核心數(shù)據(jù)的外泄，會使數(shù)據(jù)擁有者失去競爭力。

常見的反爬蟲手段，如圖7所示。主要包含文本混淆、頁面動態(tài)渲染、驗(yàn)證碼校驗(yàn)、請求簽名校驗(yàn)、大數(shù)據(jù)風(fēng)控、js混淆和蜜罐等，其中文本混淆包含css偏移、圖片偽裝文本、自定義字體等，而風(fēng)控策略的制定則往往是從參數(shù)校驗(yàn)、行為頻率和模式異常等方面出發(fā)的。

圖7.常見的反爬蟲手段

2.1 CSS偏移反爬蟲

在搭建網(wǎng)頁的時(shí)候，需要用CSS來控制各類字符的位置，也正是如此，可以利用CSS來將瀏覽器中顯示的文字，在HTML中以亂序的方式存儲，從而來限制爬蟲。CSS偏移反爬蟲，就是一種利用CSS樣式將亂序的文字排版成人類正常閱讀順序的反爬蟲手段。這個(gè)概念不是很好理解，我們可以通過對比兩段文字來加深對這個(gè)概念的理解：

• HTML 文本中的文字：我的學(xué)號是 1308205，我在北京大學(xué)讀書。
• 瀏覽器顯示的文字：我的學(xué)號是 1380205，我在北京大學(xué)讀書。

以上兩段文字中瀏覽器顯示的應(yīng)該是正確的信息，如果我們按之前提到的爬蟲步驟，分析網(wǎng)頁后正則提取信息，會發(fā)現(xiàn)學(xué)號是錯(cuò)的。

接著看圖8所示的例子，如果我們想爬取該網(wǎng)頁上的機(jī)票信息，首先需要分析網(wǎng)頁。紅框所示的價(jià)格467對應(yīng)的是中國民航的從石家莊到上海的機(jī)票，但是分析網(wǎng)頁源代碼發(fā)現(xiàn)代碼中有 3 對 b 標(biāo)簽，第 1 對 b 標(biāo)簽中包含 3 對 i 標(biāo)簽，i 標(biāo)簽中的數(shù)字都是 7，也就是說第 1 對 b 標(biāo)簽的顯示結(jié)果應(yīng)該是 777。而第 2 對 b 標(biāo)簽中的數(shù)字是 6，第 3 對 b 標(biāo)簽中的數(shù)字是 4，這樣的話我們會無法直接通過正則匹配得到正確的機(jī)票價(jià)格。

圖8.CSS 偏移反爬蟲例子

2.2 圖片偽裝反爬蟲

圖片偽裝反爬蟲，它的本質(zhì)就是用圖片替換了原來的內(nèi)容，從而讓爬蟲程序無法正常獲取，如圖9所示。這種反爬蟲的原理十分簡單，就是將本應(yīng)是普通文本內(nèi)容的部分在前端頁面中用圖片來進(jìn)行替換，遇到這種案例可以直接用ocr識別圖片中的文字就可以繞過。而且因?yàn)槭怯脠D片替換文本顯示，所以圖片本身會相對比較清晰，沒有很多噪聲干擾，ocr識別的結(jié)果會很準(zhǔn)確。

圖9. 圖片偽裝反爬蟲例子

2.3 自定義字體反爬蟲

在 CSS3 時(shí)代，開發(fā)者可以使用@font-face為網(wǎng)頁指定字體。開發(fā)者可將心儀的字體文件放在 Web 服務(wù)器上，并在 CSS 樣式中使用它。用戶使用瀏覽器訪問 Web 應(yīng)用時(shí)，對應(yīng)的字體會被瀏覽器下載到用戶的計(jì)算機(jī)上，但是我們在使用爬蟲程序時(shí)，由于沒有相應(yīng)的字體映射關(guān)系，直接爬取就會無法得到有效數(shù)據(jù)。

如圖10所示，該網(wǎng)頁中每個(gè)店鋪的評價(jià)數(shù)、人均、口味、環(huán)境等信息均是亂碼字符，爬蟲無法直接讀取到內(nèi)容。

圖10. 自定義字體反爬蟲例子

2.4 頁面動態(tài)渲染反爬蟲

網(wǎng)頁按渲染方式的不同，大體可以分為客戶端和服務(wù)端渲染。

• 服務(wù)端渲染，頁面的結(jié)果是由服務(wù)器渲染后返回的，有效信息包含在請求的 HTML 頁面里面，通過查看網(wǎng)頁源代碼可以直接查看到數(shù)據(jù)等信息；
• 客戶端渲染，頁面的主要內(nèi)容由 JavaScript 渲染而成，真實(shí)的數(shù)據(jù)是通過 Ajax 接口等形式獲取的，通過查看網(wǎng)頁源代碼，無有效數(shù)據(jù)信息。

客戶端渲染和服務(wù)器端渲染的最重要的區(qū)別就是究竟是誰來完成html文件的完整拼接，如果是在服務(wù)器端完成的，然后返回給客戶端，就是服務(wù)器端渲染，而如果是前端做了更多的工作完成了html的拼接，則就是客戶端渲染。

圖11.客戶端渲染例子

2.5 驗(yàn)證碼反爬蟲

幾乎所有的應(yīng)用程序在涉及到用戶信息安全的操作時(shí)，都會彈出驗(yàn)證碼讓用戶進(jìn)行識別，以確保該操作為人類行為，而不是大規(guī)模運(yùn)行的機(jī)器。那為什么會出現(xiàn)驗(yàn)證碼呢？在大多數(shù)情形下是因?yàn)榫W(wǎng)站的訪問頻率過高或者行為異常，或者是為了直接限制某些自動化行為。歸類如下：

1. 很多情況下，比如登錄和注冊，這些驗(yàn)證碼幾乎是必現(xiàn)的，它的目的就是為了限制惡意注冊、惡意爆破等行為，這也算反爬的一種手段。
2. 一些網(wǎng)站遇到訪問頻率過高的行為的時(shí)候，可能會直接彈出一個(gè)登錄窗口，要求我們登錄才能繼續(xù)訪問，此時(shí)的驗(yàn)證碼就直接和登錄表單綁定在一起了，這就算檢測到異常之后利用強(qiáng)制登錄的方式進(jìn)行反爬。
3. 一些較為常規(guī)的網(wǎng)站如果遇到訪問頻率稍高的情形的時(shí)候，會主動彈出一個(gè)驗(yàn)證碼讓用戶識別并提交，驗(yàn)證當(dāng)前訪問網(wǎng)站的是不是真實(shí)的人，用來限制一些機(jī)器的行為，實(shí)現(xiàn)反爬蟲。

常見的驗(yàn)證碼形式包括圖形驗(yàn)證碼、行為驗(yàn)證碼、短信、掃碼驗(yàn)證碼等，如圖12所示。對于能否成功通過驗(yàn)證碼，除了能夠準(zhǔn)確的根據(jù)驗(yàn)證碼的要求完成相應(yīng)的點(diǎn)擊、選擇、輸入等，通過驗(yàn)證碼風(fēng)控也至關(guān)重要；比如對于滑塊驗(yàn)證碼，驗(yàn)證碼風(fēng)控可能會針對滑動軌跡進(jìn)行檢測，如果檢測出軌跡非人為，就會判定為高風(fēng)險(xiǎn)，導(dǎo)致無法成功通過。

圖12.驗(yàn)證碼反爬蟲手段

2.6 請求簽名校驗(yàn)反爬蟲

簽名驗(yàn)證是防止服務(wù)器被惡意鏈接和篡改數(shù)據(jù)的有效方式之一，也是目前后端API最常用的防護(hù)方式之一。簽名是一個(gè)根據(jù)數(shù)據(jù)源進(jìn)行計(jì)算或者加密的過程，用戶經(jīng)過簽名后會一個(gè)具有一致性和唯一性的字符串，它就是你訪問服務(wù)器的身份象征。由它的一致性和唯一性這兩種特性，從而可以有效的避免服務(wù)器端，將偽造的數(shù)據(jù)或被篡改的數(shù)據(jù)當(dāng)初正常數(shù)據(jù)處理。

前面在2.4節(jié)提到的網(wǎng)站是通過客戶端渲染網(wǎng)頁，數(shù)據(jù)則是通過ajax請求拿到的，這種在一定程度上提升了爬蟲的難度。接下來分析ajax請求，如圖13所示，會發(fā)現(xiàn)其ajax請求是帶有請求簽名的，analysis就是加密后的參數(shù)，而如果想要破解請求接口，就需要破解該參數(shù)的加密方法，這無疑進(jìn)一步提升了難度。

圖13. 請求榜單數(shù)據(jù)的ajax請求

2.7 蜜罐反爬蟲

蜜罐反爬蟲，是一種在網(wǎng)頁中隱藏用于檢測爬蟲程序的鏈接的手段，被隱藏的鏈接不會顯示在頁面中，正常用戶無法訪問，但爬蟲程序有可能將該鏈接放入待爬隊(duì)列，并向該鏈接發(fā)起請求，開發(fā)者可以利用這個(gè)特點(diǎn)區(qū)分正常用戶和爬蟲程序。如圖14所示，查看網(wǎng)頁源碼，頁面只有6個(gè)商品，col-md-3的 <div>標(biāo)簽卻有 8 對。該 CSS 樣式的作用是隱藏標(biāo)簽，所以我們在頁面只看到 6 件商品，爬蟲程序會提取到 8 件商品的 URL。

圖14.蜜罐反爬蟲例子

三、反反爬相關(guān)技術(shù)

針對上一節(jié)提到的反爬蟲相關(guān)技術(shù)，有以下幾類反反爬技術(shù)手段：css偏移反反爬、自定義字體反反爬、頁面動態(tài)渲染反反爬、驗(yàn)證碼破解等，下面對這幾類方法進(jìn)行詳細(xì)的介紹。

3.1 CSS偏移反反爬

3.1.1 CSS偏移邏輯介紹

那么對于以上2.1css偏移反爬蟲的例子，怎么才能得到正確的機(jī)票價(jià)格呢。仔細(xì)觀察css樣式，可以發(fā)現(xiàn)每個(gè)帶有數(shù)字的標(biāo)簽都設(shè)定了樣式，第 1 對 b 標(biāo)簽內(nèi)的i 標(biāo)簽對的樣式是相同的，都是width: 16px；另外，還注意到最外層的 span 標(biāo)簽對的樣式為width:48px。

如果按照 css樣式這條線索來分析的話，第 1 對 b 標(biāo)簽中的 3 對 i 標(biāo)簽剛好占滿 span 標(biāo)簽對的位置，其位置如圖15所示。此時(shí)網(wǎng)頁中顯示的價(jià)格應(yīng)該是 777，但是由于第 2 和第 3 對 b 標(biāo)簽中有值，所以我們還需要計(jì)算它們的位置。由于第 2 對 b 標(biāo)簽的位置樣式是 left:-32px，所以第 2 對 b 標(biāo)簽中的值 6 就會覆蓋原來第 1 對 b 標(biāo)簽中的中的第 2 個(gè)數(shù)字 7，此時(shí)頁面應(yīng)該顯示的數(shù)字是 767。

按此規(guī)律推算，第 3 對 b 標(biāo)簽的位置樣式是 left:-48px，這個(gè)標(biāo)簽的值會覆蓋第 1 對 b 標(biāo)簽中的第 1 個(gè)數(shù)字 7，最后顯示的票價(jià)就是 467。

圖15.偏移邏輯

3.1.2 CSS偏移反反爬代碼實(shí)現(xiàn)

因此接下來我們按以上css樣式的規(guī)律來編寫代碼對該網(wǎng)頁爬取獲取正確的機(jī)票價(jià)格，代碼和結(jié)果如圖16所示。

if __name__ == '__main__':
    url = 'http://www.porters.vip/confusion/flight.html'
    resp = requests.get(url)
    sel = Selector(resp.text)
    em = sel.css('em.rel').extract()
    for element in range(0,1):
        element = Selector(em[element])
        element_b = element.css('b').extract()
        b1 = Selector(element_b.pop(0))
        base_price = b1.css('i::text').extract()
        print('css偏移前的價(jià)格：',base_price)
        alternate_price = []
        for eb in element_b:
            eb = Selector(eb)
            style = eb.css('b::attr("style")').get()
            position = ''.join(re.findall('left:(.*)px', style))
            value = eb.css('b::text').get()
            alternate_price.append({'position': position, 'value': value})
        print('css偏移值：',alternate_price)
        for al in alternate_price:
            position = int(al.get('position'))
            value = al.get('value')
            plus = True if position >= 0 else False
            index = int(position / 16)
            base_price[index] = value
        print('css偏移后的價(jià)格：',base_price)

圖16. CSS 偏移反反爬代碼與結(jié)果

3.2 自定義字體反反爬

針對于以上2.3自定義字體反爬蟲的情況，解決思路就是提取出網(wǎng)頁中自定義字體文件（一般為WOFF文件），并將映射關(guān)系包含到爬蟲代碼中，就可以獲取到有效數(shù)據(jù)。解決的步驟如下：

發(fā)現(xiàn)問題：查看網(wǎng)頁源代碼，發(fā)現(xiàn)關(guān)鍵字符被編碼替代，如&#xefbe

分析：檢查網(wǎng)頁，發(fā)現(xiàn)應(yīng)用了css自定義字符集隱藏

查找：查找css文件url，獲取字符集對應(yīng)的url，如PingFangSC-Regular-num

查找：查找和下載字符集url

比對：比對字符集中的字符與網(wǎng)頁源代碼中的編碼，發(fā)現(xiàn)編碼的后四位與字符對應(yīng)，也即網(wǎng)頁源代碼對應(yīng)的口味是8.9分

3.3 頁面動態(tài)渲染反反爬

客戶端渲染的反爬蟲，頁面代碼在瀏覽器源代碼中看不到，需要執(zhí)行渲染并進(jìn)一步獲取渲染后結(jié)果。針對這種反爬蟲，有以下幾種方式破解：

1. 在瀏覽器中，通過開發(fā)者工具直接查看ajax具體的請求方式、參數(shù)等內(nèi)容；
2. 通過selenium模擬真人操作瀏覽器，獲取渲染后的結(jié)果，之后的操作步驟和服務(wù)端渲染的流程一樣；
3. 如果渲染的數(shù)據(jù)隱藏在html結(jié)果的JS變量中，可以直接正則提取；
4. 如果有通過JS生成的加密參數(shù)，可以找出加密部分的代碼，然后使用pyexecJS來模擬執(zhí)行JS，返回執(zhí)行結(jié)果。

3.4 驗(yàn)證碼破解

下面舉例一個(gè)識別滑塊驗(yàn)證碼的例子，如圖17所示，是使用目標(biāo)檢測模型來識別某滑塊驗(yàn)證碼缺口位置的結(jié)果示例，這種破解滑塊驗(yàn)證碼的方式對應(yīng)的是模擬真人的方式。不采用接口破解的原因一方面是破解加密算法有難度，另一方面也是加密算法可能每天都會變，這樣破解的時(shí)間成本也比較大。

圖17. 通過目標(biāo)檢測模型識別滑塊驗(yàn)證碼的缺口

3.4.1 爬取滑塊驗(yàn)證碼圖片

因?yàn)槭褂玫哪繕?biāo)檢測模型yolov5是有監(jiān)督學(xué)習(xí)，所以需要爬取滑塊驗(yàn)證碼的圖片并進(jìn)行打標(biāo)，進(jìn)而輸入到模型中訓(xùn)練。通過模擬真人的方式在某場景爬取部分驗(yàn)證碼。

圖18. 爬取的滑塊驗(yàn)證碼圖片

3.4.2 人工打標(biāo)

本次使用的是labelImg來對圖片人工打標(biāo)簽的，人工打標(biāo)耗時(shí)較長，100張圖片一般耗時(shí)40分鐘左右。自動打標(biāo)代碼寫起來比較復(fù)雜，主要是需要分別提取出驗(yàn)證碼的所有背景圖片和缺口圖片，然后隨機(jī)生成缺口位置，作為標(biāo)簽，同時(shí)將缺口放到對應(yīng)的缺口位置，生成圖片，作為輸入。

圖19. 對驗(yàn)證碼圖片打標(biāo)簽以及打標(biāo)簽后生成的xml文件

3.4.3 目標(biāo)檢測模型yolov5

直接從github下clone yolov5的官方代碼，它是基于pytorch實(shí)現(xiàn)。

接下來的使用步驟如下：

1. 數(shù)據(jù)格式轉(zhuǎn)換：將人工標(biāo)注的圖片和標(biāo)簽文件轉(zhuǎn)換為yolov5接收的數(shù)據(jù)格式，得到1100張圖片和1100個(gè)yolov5格式的標(biāo)簽文件；
2. 新建數(shù)據(jù)集：新建custom.yaml文件來創(chuàng)建自己的數(shù)據(jù)集，包括訓(xùn)練集和驗(yàn)證集的目錄、類別數(shù)目、類別名；
3. 訓(xùn)練調(diào)優(yōu)：修改模型配置文件和訓(xùn)練文件后，進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果調(diào)優(yōu)超參數(shù)。

轉(zhuǎn)換xml文件為yolov5格式的部分腳本：

for member in root.findall('object'):
           class_id = class_text.index(member[0].text)
           xmin = int(member[4][0].text)
           ymin = int(member[4][1].text)
           xmax = int(member[4][2].text)
           ymax = int(member[4][3].text)
           # round(x, 6) 這里我設(shè)置了6位有效數(shù)字，可根據(jù)實(shí)際情況更改
           center_x = round(((xmin + xmax) / 2.0) * scale / float(image.shape[1]), 6)
           center_y = round(((ymin + ymax) / 2.0) * scale / float(image.shape[0]), 6)
           box_w = round(float(xmax - xmin) * scale / float(image.shape[1]), 6)
           box_h = round(float(ymax - ymin) * scale / float(image.shape[0]), 6)
           file_txt.write(str(class_id))
           file_txt.write(' ')
           file_txt.write(str(center_x))
           file_txt.write(' ')
           file_txt.write(str(center_y))
           file_txt.write(' ')
           file_txt.write(str(box_w))
           file_txt.write(' ')
           file_txt.write(str(box_h))
           file_txt.write('\n')
       file_txt.close()

訓(xùn)練參數(shù)設(shè)置：

parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
parser.add_argument('--cfg', type=str, default='./models/yolov5s.yaml', help='model.yaml path')
parser.add_argument('--data', type=str, default='data/custom.yaml', help='data.yaml path')
parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')
# parser.add_argument('--epochs', type=int, default=300)
parser.add_argument('--epochs', type=int, default=50)
# parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')
parser.add_argument('--batch-size', type=int, default=8, help='total batch size for all GPUs')
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')
parser.add_argument('--rect', actinotallow='store_true', help='rectangular training')
parser.add_argument('--resume', nargs='?', cnotallow=True, default=False, help='resume most recent training')
parser.add_argument('--nosave', actinotallow='store_true', help='only save final checkpoint')
parser.add_argument('--notest', actinotallow='store_true', help='only test final epoch')
parser.add_argument('--noautoanchor', actinotallow='store_true', help='disable autoanchor check')
parser.add_argument('--evolve', actinotallow='store_true', help='evolve hyperparameters')
parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
parser.add_argument('--cache-images', actinotallow='store_true', help='cache images for faster training')
parser.add_argument('--image-weights', actinotallow='store_true', help='use weighted image selection for training')
parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
parser.add_argument('--multi-scale', actinotallow='store_true', help='vary img-size +/- 50%%')
parser.add_argument('--single-cls', actinotallow='store_true', help='train multi-class data as single-class')
parser.add_argument('--adam', actinotallow='store_true', help='use torch.optim.Adam() optimizer')
parser.add_argument('--sync-bn', actinotallow='store_true', help='use SyncBatchNorm, only available in DDP mode')
parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')
parser.add_argument('--project', default='runs/train', help='save to project/name')
parser.add_argument('--entity', default=None, help='W&B entity')
parser.add_argument('--name', default='exp', help='save to project/name')
parser.add_argument('--exist-ok', actinotallow='store_true', help='existing project/name ok, do not increment')
parser.add_argument('--quad', actinotallow='store_true', help='quad dataloader')
parser.add_argument('--linear-lr', actinotallow='store_true', help='linear LR')
parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
parser.add_argument('--upload_dataset', actinotallow='store_true', help='Upload dataset as W&B artifact table')
parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')
parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')
parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')
opt = parser.parse_args()

3.4.4 目標(biāo)檢測模型的訓(xùn)練結(jié)果

模型基本在50次迭代的時(shí)候在precision和recall以及mAP上已經(jīng)達(dá)到了瓶頸。預(yù)測結(jié)果也有如下問題：大部分能夠是能夠準(zhǔn)確框出缺口，但也出現(xiàn)少量框錯(cuò)、框出兩個(gè)缺口、框不出缺口的情況。

圖20. 上：模型的訓(xùn)練結(jié)果走勢圖；

下：模型對部分驗(yàn)證集的預(yù)測結(jié)果

四、總結(jié)

本次簡單對爬蟲以及反爬蟲的技術(shù)手段進(jìn)行了介紹，介紹的技術(shù)和案例均只是用于安全研究和學(xué)習(xí)，并不會進(jìn)行大量爬蟲或者應(yīng)用于商業(yè)。

對于爬蟲，本著爬取網(wǎng)絡(luò)上公開數(shù)據(jù)用于數(shù)據(jù)分析等的目的，我們應(yīng)該遵守網(wǎng)站robots協(xié)議，本著不影響網(wǎng)站正常運(yùn)行以及遵守法律的情況下進(jìn)行數(shù)據(jù)爬取；對于反爬蟲，因?yàn)橹灰祟惸軌蛘ＴL問的網(wǎng)頁，爬蟲在具備同等資源的情況下就一定可以抓取到。所以反爬蟲的目的還是在于能夠防止爬蟲在大批量的采集網(wǎng)站信息的過程對服務(wù)器造成超負(fù)載，從而杜絕爬蟲行為妨礙到用戶的體驗(yàn)，來提高用戶使用網(wǎng)站服務(wù)的滿意度。