爬蟲-IP被封解決辦法

方法1.

之前由於公司項目需要，采集過google地圖數據，還有一些大型網站數據。

經驗如下：
1.IP必須需要，比如ADSL。如果有條件，其實可以跟機房多申請外網IP。
2.在有外網IP的機器上，部署代理服務器。
3.你的程序，使用輪訓替換代理服務器來訪問想要采集的網站。

好處：
1.程序邏輯變化小，只需要代理功能。
2.根據對方網站屏蔽規則不同，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器下線就OK，程序邏輯不需要變化。

方法2.

有小部分網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，通過默認網關切換來實現IP切換，比HTTP代理高效得多，估計也比多數情況下的ADSL切換更高效。

方法3.

• ADSL + 腳本，監測是否被封，然后不斷切換 ip
• 設置查詢頻率限制

正統的做法是調用該網站提供的服務接口。

方法4.

8年多爬蟲經驗的人告訴你，國內ADSL是王道，多申請些線路，分布在多個不同的電信區局，能跨省跨市更好，自己寫好斷線重撥組件，自己寫動態IP追蹤服務，遠程硬件重置（主要針對ADSL貓，防止其宕機），其余的任務分配，數據回收，都不是大問題。我的已經穩定運行了好幾年了，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，有的網站對登陸用戶政策寬松些

友情提示：考慮爬蟲給人家網站帶來的負擔，be a responsible crawler :)

方法6.

盡可能的模擬用戶行為：
1、UserAgent經常換一換；
2、訪問時間間隔設長一點，訪問時間設置為隨機數；
3、訪問頁面的順序也可以隨機着來

方法8.

網站封的依據一般是單位時間內特定IP的訪問次數.
我是將采集的任務按 目標站點的IP進行分組 通過控制每個IP 在單位時間內發出任務的個數,來避免被封.當然,這個前題是你采集很多網站.如果只是采集一個網站,那么只能通過多外部IP的方式來實現了.

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站點。

 

-降低抓取頻率，時間設置長一些，訪問時間采用隨機數
-頻繁切換UserAgent（模擬瀏覽器訪問）
-多頁面數據，隨機訪問然后抓取數據
-更換用戶IP

 

知識點:

　　0.檢測是否是高匿代理 http://httpbin.org/ip, 一個為匿名代理, 多個為透明代理

　　1.使用代理IP

s = requests.Session()
s.proxies = {
    "http": "http://username:passwd@101.101.101.101:9000",
    "http": "http://username:passwd@101.101.101.101:9000"
}

　　2.使用adsl

　　3.vps多IP

　　4.使用squid維護連接池（keep-alive），避免多次連接，附帶數據緩存功能