您的位置: 首页 > 新闻资讯 > 正文

七大方法解决http爬虫被封代理ip的问题

发布时间:2019-04-22 17:39:39 来源:互联网

七大方法解决http爬虫被封代理ip的问题!之前有个邻居孩子要上学,因为没有考上重点,成绩又不算太低,所以打算上一个好一点的私立高中,家长不知道哪一所学校的口碑和往年的成绩会好一些所以,就请我一个做数据的朋友利用数据分析一下,故此也学到了一些经验

七大方法解决http爬虫被封代理ip的问题

方法1.

不管你要采集什么样的网站,http代理ip一定是必须品,但是要注意的是一定要使用国内代理服务器ip,可以直接使用ip在线代理地址上面直接购买。但是一定要靠谱。这样做的优势是:

第一,程序逻辑变化小,只需要代理功能。

第二,根据对方网站的不同屏蔽规则,你可以购买不同的ip代理

第三,假设你目前使用打代理IP被对方的网站屏蔽了,你可以换ip,程序逻辑不需要变化。

方法2.

有一小部分的网站的防范措施是比较薄弱的,可以伪装一下从代理IP服务商那里买的IP,修改X-Forwarded-for,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直接购买飞蚁动态转发的HTTP代理ip。

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.

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5.

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6.

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7.

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。

总结:

-降低抓取动态ip地址的更换频率,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

-使用代理IP不间断更换


相关文章内容简介

1 七大方法解决http爬虫被封代理ip的问题

  七大方法解决http爬虫被封代理ip的问题!之前有个邻居孩子要上学,因为没有考上重点,成绩又不算太低,所以打算上一个好一点的私立高中,家长不知道哪一所学校的口碑和往年的成绩会好一些所以,就请我一个做数据的朋友利用数据分析一下,故此也学到了一些经验  方法1.  不管你要采集什么样的网站,http代理ip一定是必须品,但是要注意的是... [阅读全文]

最新标签