在爬虫工作中,我们不可避免的会遇到网页的反爬封锁,所以就有了爬虫的攻防,在攻和守之间两股力量不断的抗衡。接下来就讲讲使用爬虫时ip限制问题的六种方法!
方法1.
1、IP必须需要,如果有条件,建议一定要使用代理IP。
2、在有外网IP的机器上,部署爬虫代理服务器。
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.
1、ADSL+脚本,监测是否被封,然后不断切换ip
2、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3.
1、useragent伪装和轮换
2、使用飞速云代理ip和轮换
3、cookies的处理,有的网站对登陆用户政策宽松些
方法4.
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5.
网站封的依据一般是单位时间内特定IP的访问次数.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6.
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。
1、降低抓取频率,时间设置长一些,访问时间采用随机数
2、频繁切换UserAgent(模拟浏览器访问)
3、多页面数据,随机访问然后抓取数据
4、更换用户IP,这是最直接有效的方法!