使用爬虫采集网站时,解决被封IP的几种方法

  发布时间:2016-10-08 14:14:50   作者:佚名   我要评论
这篇文章主要介绍了使用爬虫采集网站时,解决被封IP的几种方法的相关资料,需要的朋友可以参考下
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:
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,部署代理服务器。
3.你的程序,使用轮训替换代理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,你可以直接把代理服务器下线就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(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代理高效得多,估计也比多数情况下的ADSL切换更高效。
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.
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!
方法5.
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
方法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.
方法9.
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。
-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
-更换用户IP

相关文章

  • Pholcus(幽灵蛛)爬虫软件 v1.2

    Pholcus(幽灵蛛)是一款纯Go语言编写的支持分布式的高并发、重量级爬虫软件,定位于互联网数据采集,为具备一定Go或JS编程基础的人提供一个只需关注规则定制的功能强大的
    2016-09-28
  • python网络爬虫(抓取网页的含义和URL基本构成) 中文PDF版 4.25MB

    爬虫最主要的处理对象就是URL,他根据URL地址取得所需要的文件内容,然后对它进行一步的处理。因此,准确的理解URL对理解网络爬虫至关重要。感兴趣的朋友可以过来看看
    2016-09-13
  • Python 爬虫修养-处理动态网页

    在爬虫开发中,大家可以很轻易地 bypass 所谓的 UA 限制,甚至用 scrapy 框架轻易实现按照深度进行爬行。但是实际上,这些并不够。关于爬虫的基础知识比如数据处理与数据存
    2016-09-12
  • 简易网页爬虫 V1.0 绿色免费版

    简易网页爬虫是一款非常方便易用的网页爬虫软件。网络爬虫是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。用户可以通过软件来分析网页中的所有链接,需要的朋
    2016-07-03
  • 浅谈百度爬虫的HTTP状态码返回机制

    HTTP状态码我们都很熟悉,SEO工作中我们也需要迎合百度蜘蛛对常见的HTTP返回码来做相关调整,下面我们就来浅谈百度爬虫的HTTP状态码返回机制
    2016-06-22
  • 什么是搜索引擎蜘蛛?SEO搜索引擎蜘蛛工作原理

    作为一名编辑乃至站长,在关注网站在搜索引擎排名的时候,最重要的就是蜘蛛(spider)。搜索引擎蜘蛛是一个自动抓取互联网上网页内容的程序,每个搜索引擎都有自己的蜘蛛,那
    2016-05-27
  • Python Scrapy爬虫框架学习(Learning Scrapy) 英文PDF版[6.64MB]

    是针对高人气Python爬虫开发框架Scrapy的学习教材,Scrapy只需要一个配置文件就能组合各种组件和配置选项,并且Scrapy是基于事件(event-based)的架构,使得我们可以级联多个
    2016-05-04
  • Python爬虫编程(Web Scraping with Python) 英文PDF版[3.25MB]

    Python在Web编程领域最为人们所津津乐道的运用就是爬虫的编写,从urlib等模块到Scrapy等框架,从自带到第三方,Python世界中用于编写爬虫的轮子可以说是誉满天下
    2016-04-15
  • 阿布采集 网络爬虫软件 v1.0 中文绿色版

    阿布采集是由布谷中国开发的一款爬虫平台,脱胎于10年开发的布谷邮箱蜘蛛,经过反复的改进、调试甚至重做后,又经历长时间的BUG测试、性能测试后爬虫“阿布采集1.0”终于熬
    2014-02-12

最新评论