您的位置:新闻资讯 >文章内容
使用爬虫采集网站时被封IP的几种解决方法
来源:本站 作者:jinglingdaili 时间:2019-02-11 16:28:39

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。

使用爬虫采集网站时被封IP的几种解决方法

方法1.

使用多IP代理:

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.

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。


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。


相关文章内容简介
在线咨询
微信公众号

微信公众号

回到顶部