标签:修改 很多 外部 51cto 方法 googl .com text strong
当然有,还很多。
方法1.
之前由于公司项目需要,采集过google地图数据,还有一些大型网站数据。
经验如下:
IP必须有,可以直接使用成熟的代理IP服务商,类似像太阳HTTP代理这种。
好处:
1.程序逻辑变化小,只需要代理功能。
2.根据对方网站屏蔽规则不同,你只需要添加更多的代理就行了。
3.就算具体IP被屏蔽了,你可以直接把IP代理下线就OK,程序逻辑不需要变化。
方法2.
有小部分网站的防范措施比较弱,可以伪装下IP,修改X-Forwarded-for,即可绕过。
大部分网站么,如果要频繁抓取,一般还是要多IP。我比较喜欢的解决方案是VPS再配多IP,通过默认网关切换来实现IP切换。
方法3.
ADSL + 脚本,监测是否被封,然后不断切换 ip
设置查询频率限制
正统的做法是调用该网站提供的服务接口。
方法4.
1 user agent 伪装和轮换
2 使用代理 ip 和轮换
3 cookies 的处理,有的网站对登陆用户政策宽松些
友情提示:考虑爬虫给人家网站带来的负担,be a responsible crawler :)
方法5.
尽可能的模拟用户行为:
1、UserAgent经常换一换;
2、访问时间间隔设长一点,访问时间设置为随机数;
3、访问页面的顺序也可以随机着来
方法6.
网站封的依据一般是单位时间内特定IP的访问次数.
我是将采集的任务按 目标站点的IP进行分组 通过控制每个IP 在单位时间内发出任务的个数,来避免被封.当然,这个前题是你采集很多网站.如果只是采集一个网站,那么只能通过多外部IP的方式来实现了.
方法7.
对爬虫抓取进行压力控制;
总结:
-降低抓取频率,时间设置长一些,访问时间采用随机数
-频繁切换UserAgent(模拟浏览器访问)
-多页面数据,随机访问然后抓取数据
-使用代理IP不间断更换
太阳HTTP为您提供海量IP,高度隐匿真实IP。爬虫行进畅通无阻!
标签:修改 很多 外部 51cto 方法 googl .com text strong
原文地址:http://blog.51cto.com/14059916/2315797