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 ?天下数据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

天下数据提供动态拨号vps服务器等,天下数据不但有全国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;需要的朋友请联系天下数据客服!