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
在线接单平台QQ在日常生活中,微信不知不觉已经成了千家万户都知晓的社交软件了,在使用的过程中,我们加了很多认识的不认识的好友,产生了大量聊天记录渐渐让手机内存不堪重负,一些小伙伴们会选择去清理内存和删...
教学评估表(课堂教学评价岂能“一表通吃”) 课堂教学评百思特网价岂能“一表通吃”? 王营 上学期,笔者参与了某校开展的“课堂教学大比武活动”。学校已通过各教研组预赛,推出部分优秀选手,参加学...
据《科技日报》11月1日报道,中国航天科技集团公司科技委主任包为民日前在北京透露,我国力争在本世纪中叶建成地月空间经济区。 在航天科技集团一院科技委成立40周年之际,一院科技委首届科技年会暨2019...
顿时三八妇女节了,如安在这一天把女神们哄开心了,也成了各大品牌商的头等大事。 1、鞋子 文案:我愿臣服于你的脚下 跪倒在石榴裙下,形容被美色征服。心甘情愿地臣服于你的脚下,不只是因为美色,更多是魄力...
黑客专家怎么联系 网络上面的黑客专家要怎么联系呢,现在不会有什么好心的黑客,不要把白帽黑客和哦黑帽黑客等同,黑帽黑客与白帽黑客是完全不同的,这部分的黑客完全就等同于犯罪分子。 ...
远程查看对象微信聊天(用自己手机查老婆和别人聊天)俗语说“男子追女人的层间山,女人追男子的夹层纱”,天下上非常远的间隔不是宇宙之间,而是我站在你眼前,你不晓得我稀饭你。当你全力而为地表白你的爱时,你会...