使用爬虫采集网站时,ip被封问题的解决方法
使用爬虫采集网站时,怎么样解决被封ip的问题 ?葵芳小编总结以下几种方法帮助大家日常使用爬虫过程中解决ip被封锁、IP被限制。 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,比如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 1.设置查询频率限制 2。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7. 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8. 对爬虫抓取进行压力控制; 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 葵芳提供动态拨号vps服务器等,葵芳不但有全国20多个省160多个城市的动态ip拨号VPS,还有海外香港、日本、美国、台湾、韩国、菲律宾等国家地区的动态拨号VPS。非常适合用于刷排名、网站优化、网络营销、爬虫、数据抓取、数据分析、刷单、投票等领域;需要的朋友请联系葵芳客服!
QQ 3004797121
电话 0755-82594600 手机 15278303258 网址 http://www.chinahkidc.net/ 邮箱 zw@kf-idc.com 深圳市葵芳信息服务有限公司