*** 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:
1.IP必须需要,像@alswl 说的非常正确,ADSL。如果有条件,其实可以跟机房多申请外网IP。
2.在有外网IP的机器上,部署 *** 服务器。
3.你的程序,使用轮训替换 *** 服务器来访问想要采集的网站。
好处:
1.程序逻辑变化小,只需要 *** 功能。
2.根据对方网站屏蔽规则不同,你只需要添加更多的 *** 就行了。
3.就算具体IP被屏蔽了,你可以直接把 *** 服务器下线就OK,程序逻辑不需要变化。
*** 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(貌似这么拼。。。)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国外VPS再配多IP,通过默认网关切换来实现IP切换,比HTTP *** 高效得多,估计也比多数情况下的ADSL切换更高效。
*** 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。
*** 4.
8年多爬虫经验的人告诉你,国内ADSL是王道,多申请些线路,分布在多个不同的电信区局,能跨省跨市更好,自己写好断线重拨组件,自己写动态IP追踪服务,远程硬件重置(主要针对ADSL猫,防止其宕机),其余的任务分配,数据回收,都不是大问题。我的已经稳定运行了好几年了,妥妥的!
*** 5.
1 user agent 伪装和轮换
2 使用 *** 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 :)
*** 6.
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
*** 8.
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.
*** 9.
1. 对爬虫抓取进行压力控制;
2. 可以考虑使用 *** 的方式访问目标站点。
-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
本文目录一览: 1、黑客帝国4 啥时候上映? 2、《黑客帝国4》首支预告发布,看完后你有哪些理解? 3、《黑客帝国4》发布预告前瞻,短片中都提示了什么? 4、黑客帝国4上映时间 黑客帝国...
姓名、性别、出生日期、身份证号,居住地址,名下有多少张银行卡,有多少个房子,是否有车,驾驶证编号,档案存放位置,父母姓名,是否是独生子女,是否结婚,是否。 意思是:对你手机里的信息进行采集,采集电话和...
前不久,笔者到附近村串门,这个村街上年轻人很少,都出去打工或是在城里买了房搬了家。这样村里就有许多老人在家留守,他们几乎家家户户都在做各种各样的手工粘花活儿,询问了几位老人家,原来这是替人加工的工艺假...
本文导读目录: 1、身份证被别人拿走了,有危险吗,银行卡里的钱会被盗取吗? 2、身份证号和姓名泄露了,会不会有什么损失,银行卡里的钱会被盗取吗?急!! 3、我的银行卡和身份证信息和支银行卡支付...
此刻的餐饮行业的成长早已和之前截然差异,此刻的美食产物是结适时代成长的,不绝地结适时尚潮水的时代因素的,是和本来的传统的饮食方法和布局纷歧样的。此刻的美食产物越发考究绿色康健时尚鲜味等潮水因素。暖锅行...
现在的我们奔波于城市职场繁杂的生活和工作中,假期回到家,看着厨房里那熟悉的忙碌身影时。 总能清晰的记得儿时围着锅台,等待着母亲蒸好香甜的馒头。 笼锅打开,蒸汽腾升,随之而出的馒头香,让人迷醉。...