爬虫访问中,如何解决网站限制IP的问题?
开发了一个爬虫,布置在自己的服务器上,请求某网站的查询功能,然后抓取查询结果,结果访问才一会儿,就被提示封IP了。有什么好的解决方法吗?
感谢各位的回答,都挺好的!
添加评论 分享
按票数排序
按时间排序
10 个回答
赞同
8
反对,不会显示你的姓名
江振兴,4年java 2年python
陈爽、闫响、王方 等人赞同
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,像@alswl 说的非常正确,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。
发布于 2012-08-01 添加评论
赞同
3
反对,不会显示你的姓名
alswl,码农热爱互联网
闫响、王方、an7 赞同
•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。
发布于 2012-08-01 2 条评论
赞同
4
反对,不会显示你的姓名
Zero,SEO前线论坛 http://www.seoqx.com
张叶华、闫响、知乎用户 等人赞同
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。
国外IP均价是$1/IP/Month,像Burst等卖得便宜些,0.3刀左右。
最后,最简单最根本也最厚道的防封禁方法是,把抓取频率降低些。。。
发布于 2012-08-02 2 条评论
赞同
3
反对,不会显示你的姓名
专业爬虫wulf
知乎用户、Ganko Tech、闫响 赞同
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!
发布于 2013-06-18 3 条评论
赞同
1
反对,不会显示你的姓名
Jacob,真有必要写那么长吗又不是小学生作文
闫响 赞同
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 :)
发布于 2012-08-01 添加评论
赞同
1
反对,不会显示你的姓名
知乎用户,爱编程的设计师
闫响 赞同
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
发布于 2013-05-29 添加评论
赞同
0
反对,不会显示你的姓名
晓曦,软件,搜索技术 , 数据采集 , 挖掘,
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.
发布于 2012-08-01 添加评论
赞同
0
反对,不会显示你的姓名
Dan Peng
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。
发布于 2013-05-29 添加评论
赞同
0
反对,不会显示你的姓名
程会勇,Not power-based technology developers
总结下:
-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
-网站提供API,减少风险
-多线程
发布于 2014-04-21 添加评论
动态切换IP的实现主是也由Windows的rasdial命令提供的,其实不是java的功劳,java只是调用一下bat脚本而已:
rasdial命令:
拨号
- 语法: rasdial 连接名称 username password
- 实例: rasdial 我的宽带 hzhz1234567890 dfdfdfdfdf
断网
- 语法:rasdial 连接名称 /disconnect
- 实例: rasdial 宽带 /disconnect
java程序调用rasdial命令:
- package com.sesame.network;
- import java.io.BufferedReader;
- import java.io.InputStreamReader;
- public class ConnectNetWork {
- /**
- * 执行CMD命令,并返回String字符串
- */
- public static String executeCmd(String strCmd) throws Exception {
- Process p = Runtime.getRuntime().exec("cmd /c " + strCmd);
- StringBuilder sbCmd = new StringBuilder();
- BufferedReader br = new BufferedReader(new InputStreamReader(p
- .getInputStream()));
- String line;
- while ((line = br.readLine()) != null) {
- sbCmd.append(line + "\n");
- }
- return sbCmd.toString();
- }
- /**
- * 连接ADSL
- */
- public static boolean connAdsl(String adslTitle, String adslName, String adslPass) throws Exception {
- System.out.println("正在建立连接.");
- String adslCmd = "rasdial " + adslTitle + " " + adslName + " "
- + adslPass;
- String tempCmd = executeCmd(adslCmd);
- // 判断是否连接成功
- if (tempCmd.indexOf("已连接") > 0) {
- System.out.println("已成功建立连接.");
- return true;
- } else {
- System.err.println(tempCmd);
- System.err.println("建立连接失败");
- return false;
- }
- }
- /**
- * 断开ADSL
- */
- public static boolean cutAdsl(String adslTitle) throws Exception {
- String cutAdsl = "rasdial " + adslTitle + " /disconnect";
- String result = executeCmd(cutAdsl);
- if (result.indexOf("没有连接")!=-1){
- System.err.println(adslTitle + "连接不存在!");
- return false;
- } else {
- System.out.println("连接已断开");
- return true;
- }
- }
- public static void main(String[] args) throws Exception {
- connAdsl("宽带","hzhz**********","******");
- Thread.sleep(1000);
- cutAdsl("宽带");
- Thread.sleep(1000);
- //再连,分配一个新的IP
- connAdsl("宽带","hzhz**********","******");
- }
- }