| 方法1. 之前由于公司項目需要，采集過google地圖數(shù)據(jù)，還有一些大型網(wǎng)站數(shù)據(jù)。 經(jīng)驗如下： 1.IP必須需要，像@alswl 說的非常正確，ADSL。如果有條件，其實可以跟機房多申請外網(wǎng)IP。 2.在有外網(wǎng)IP的機器上，部署代理服務(wù)器。 3.你的程序，使用輪訓(xùn)替換代理服務(wù)器來訪問想要采集的網(wǎng)站。 好處： 1.程序邏輯變化小，只需要代理功能。 2.根據(jù)對方網(wǎng)站屏蔽規(guī)則不同，你只需要添加更多的代理就行了。 3.就算具體IP被屏蔽了，你可以直接把代理服務(wù)器下線就OK，程序邏輯不需要變化。 方法2. 有小部分網(wǎng)站的防范措施比較弱，可以偽裝下IP，修改X-Forwarded-for（貌似這么拼。。。）即可繞過。 大部分網(wǎng)站么，如果要頻繁抓取，一般還是要多IP。我比較喜歡的解決方案是國外VPS再配多IP，通過默認網(wǎng)關(guān)切換來實現(xiàn)IP切換，比HTTP代理高效得多，估計也比多數(shù)情況下的ADSL切換更高效。 方法3. ADSL + 腳本，監(jiān)測是否被封，然后不斷切換 ip 設(shè)置查詢頻率限制 正統(tǒng)的做法是調(diào)用該網(wǎng)站提供的服務(wù)接口。 方法4. 8年多爬蟲經(jīng)驗的人告訴你，國內(nèi)ADSL是王道，多申請些線路，分布在多個不同的電信區(qū)局，能跨省跨市更好，自己寫好斷線重撥組件，自己寫動態(tài)IP追蹤服務(wù)，遠程硬件重置（主要針對ADSL貓，防止其宕機），其余的任務(wù)分配，數(shù)據(jù)回收，都不是大問題。我的已經(jīng)穩(wěn)定運行了好幾年了，妥妥的！ 方法5. 1 user agent 偽裝和輪換 2 使用代理 ip 和輪換 3 cookies 的處理，有的網(wǎng)站對登陸用戶政策寬松些 友情提示：考慮爬蟲給人家網(wǎng)站帶來的負擔(dān)，be a responsible crawler :) 方法6. 盡可能的模擬用戶行為： 1、UserAgent經(jīng)常換一換； 2、訪問時間間隔設(shè)長一點，訪問時間設(shè)置為隨機數(shù)； 3、訪問頁面的順序也可以隨機著來 方法8. 網(wǎng)站封的依據(jù)一般是單位時間內(nèi)特定IP的訪問次數(shù). 我是將采集的任務(wù)按 目標(biāo)站點的IP進行分組 通過控制每個IP 在單位時間內(nèi)發(fā)出任務(wù)的個數(shù),來避免被封.當(dāng)然,這個前題是你采集很多網(wǎng)站.如果只是采集一個網(wǎng)站,那么只能通過多外部IP的方式來實現(xiàn)了. 方法9. 1. 對爬蟲抓取進行壓力控制； 2. 可以考慮使用代理的方式訪問目標(biāo)站點。 -降低抓取頻率，時間設(shè)置長一些，訪問時間采用隨機數(shù) -頻繁切換UserAgent（模擬瀏覽器訪問） -多頁面數(shù)據(jù)，隨機訪問然后抓取數(shù)據(jù) -更換用戶IP |
免責(zé)聲明：本站部分文章和圖片均來自用戶投稿和網(wǎng)絡(luò)收集，旨在傳播知識，文章和圖片版權(quán)歸原作者及原出處所有，僅供學(xué)習(xí)與參考，請勿用于商業(yè)用途，如果損害了您的權(quán)利，請聯(lián)系我們及時修正或刪除。謝謝！
始終以前瞻性的眼光聚焦站長、創(chuàng)業(yè)、互聯(lián)網(wǎng)等領(lǐng)域，為您提供最新最全的互聯(lián)網(wǎng)資訊，幫助站長轉(zhuǎn)型升級，為互聯(lián)網(wǎng)創(chuàng)業(yè)者提供更加優(yōu)質(zhì)的創(chuàng)業(yè)信息和品牌營銷服務(wù)，與站長一起進步！讓互聯(lián)網(wǎng)創(chuàng)業(yè)者不再孤獨！
掃一掃，關(guān)注站長網(wǎng)微信
大家都在看
