码迷,mamicode.com
首页 > 其他好文 > 详细

北斗剑阵, 爬虫IP破封不可阻挡

时间:2018-11-12 19:51:28      阅读:144      评论:0      收藏:0      [点我收藏+]

标签:修改   很多   外部   51cto   方法   googl   .com   text   strong   

技术分享图片
“人在江湖飘,哪能不挨刀。”话糙理不糙,在我们酣畅淋漓地使用爬虫抓取 数据为我们所用的时候,却也能难免遇到强敌,IP遭到封锁,爬虫被反。那么万一不行,IP被封了,有什么方法来解呢?

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.

  1. 对爬虫抓取进行压力控制;

  2. 可以考虑使用代理的方式访问目标站点。

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!

北斗剑阵, 爬虫IP破封不可阻挡

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

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!