|
楼主 |
发表于 2016-5-11 12:21:56
|
显示全部楼层
想采集谷歌数据,大概做到以下几点:
9 y- }3 A% U* l% y2 x/ I
1 _' _. I5 D$ X+ B n8 j% P1 G! Z1 代理IP尽量多,而且不能都在一台服务器,因为所有请求数据都同在一个硬件网络出口的话(例如:网卡,路由),就是说MAC地址一样,这样的话,明显就是一台采集服务器,再多的IP在这台服务器上都是废的( b! ~9 [3 [( m/ S8 y0 ~
0 ^9 t. W' k r2 不要太急,一般我的经验是,第一次发送关键字查询,间隔时间为20秒比较保险,从返回的搜索结果页面里,模拟点击“下一页”查询,间隔时间为40秒~50秒以上,
/ }& e; j; J6 n9 f+ j; Q( v% H
0 I0 u. @/ w- y: ]4 U请求翻页内容这个比较讲究,尽量做到模拟一个常人的行为去翻页,为什么我要写40~50秒这个区间,记住三点:
5 s, Q: f N4 `1 一个浏览者要点击翻页按钮,肯定会花40~50秒的时间看完了当前页面的内容才去翻页
" S6 Y) A6 }2 Z8 P" }2 不要每次发送请求的间隔时间都一样,随机在 40~50秒 之间' h4 @6 \1 n% Z, n
3 不要贪得无厌的获取翻页内容,一个正常IP不会经常翻到第8~10页去看内容的,一个IP可以偶尔这样深度翻页获取数据,但经常这样做,只会让你的代理IP过早进入黑名单
& ~6 ~9 V; T; b
' j/ k6 u: Q+ p7 M, H谷歌的搜索系统太智能了,就是一个模拟常人正常使用行为来做相应判断的,一切程序化的都会被识别出来,所以我们的程序也尽量仿人类去执行
9 w r# G4 |$ E4 v. x
7 L+ E% K1 t( d$ O, c; D9 o2 u以上就是很多人把采集时间间隔调得再大,都被谷歌拦住的原因
9 _2 Y! b `( k! Z+ N& ^0 |# d |
|