采集了1KW的亚马逊数据，就是不懂怎么用

dowall2

willok 发表于 2016-5-10 20:27
* J: p9 ]! D, }! G; `3 P$ ?5 P"然后就顺便把商品的名字在谷歌的索引量"，这个应该还是有技术难度的，一般的通过程序多访问google几次就 ...

呵呵，估计你是技术出身的，眼睛够尖锐~~~

trimixed

手动选热卖商品，写review，挂链接，也能赚钱
一次选几个，优化一下，扔在那，再去找其他商品
' @) P+ G0 [1 a! ~! U" _
  u8 X5 ~3 k8 X. L( S) ~6 x那么强的技术能力，采那么多数据，是要自动化赚钱么？

windflower

楼主搞技术的不然深挖下数据看看，或许有新发现。

michael2016

确实有amazon热门商品的挑选工具。
当然lz这个和google挂钩了，应该有些价值的，需要去发掘和实践。

5 q9 n  a6 a! L" g# ^9 [& ]鼓励一下。

BeyondReach

dowall2 发表于 2016-5-10 20:45
# o2 y+ r3 t! t/ f& D" A呵呵，估计你是技术出身的，眼睛够尖锐~~~

如何躲过google的验证码？

Atrus

没什么用处 前面搞的人多了

河小马

dowall2 发表于 2016-5-10 18:01
3 m7 ~! H5 q5 T7 f3 ~' j既不允许本地上传图片，又不允许远程图片链接
; g8 b( l/ E6 J) A
额~~好吧

我们允许本地上传图片的

河小马

重点在于流量。。而非采集。。
) `: i: S! s" _0 `5 L0 q8 v2 q8 d
论坛里面搞采集的人实在太多了

feego

lz求采集不被robot check的办法

dowall2

想采集谷歌数据，大概做到以下几点：

1 I# \7 ^/ D8 y2 @7 M1 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

2 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& A& `% L) ^. I" d, M
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：
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
( \! ~4 o" j4 S9 }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
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
; W5 c. i/ g8 W: r
5 x6 \+ L# J2 ^  M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
2 Q  k! B7 |: p& D7 y- ~8 N
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

kongkong0926

dowall2 发表于 2016-5-11 12:21
想采集谷歌数据，大概做到以下几点：

1 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 ...

0 h. [9 N9 q& r4 \楼主是真心分享，把自己的经验说的这么仔细，赞一个。

dersu

亚马逊的数据一直各种渠道都有人采集且提供下载的，大部分需求都不用自己爬了，比如这个，相对被下载的多些：
http://jmcauley.ucsd.edu/data/amazon/
% ~' V" O8 w- o$ e& i; p7 u0 h
4 [1 \: P( [3 Z7 @# K  {* u4 W9 JPS. C++做爬虫。。。确实屠龙刀做萝卜雕的感觉啊

bluescharp

dowall2 发表于 2016-5-11 12:21
想采集谷歌数据，大概做到以下几点：
9 R# }7 Y% w4 ^- I4 {
1 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 ...

我之前用C#模拟浏览器去请求数据，间隔半分钟，但200个请求的时候就被验证码了。
2 b$ ~$ a8 `; \  b# v. C7 q4 d然后验证码的频率越来越高

杰瑞

用什么采集？

dowall2

bluescharp 发表于 2016-5-12 09:09
我之前用C#模拟浏览器去请求数据，间隔半分钟，但200个请求的时候就被验证码了。
然后验证码的频率越来越 ...

1 s* \2 W7 G9 A" o1 GOOGLE发回来的COOKIE你发回去没？
2 HTTP标头的 referer 你填了没？
) y& d3 w& B4 @+ u$ L
用拦截网络数据的软件，查下浏览器发送了什么数据出去

爬虫要完全模拟一个真实的浏览器去浏览，而不是猛的发请求数据~~~