|
|
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：
4 n& }+ H4 `6 m9 q D1 @2 J2 {9 d+ E5 X: F& t; V( u
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
, ~0 v/ k0 p6 H. i0 }: w1 \$ K) q- \9 c% ]5 Z/ I1 T
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，
) L5 N; k- H& P# A% X. l
, O+ y* z4 m* J2 a! O. I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：2 r* _0 h* H5 K+ [# X
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
- D9 `2 X0 [& _6 h d0 a2 s2 不要每次发送请求的间隔时间都一样，随机在 40~50秒 之间
# E6 Y3 u. B$ l3 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7 j9 o- I; L& h, l
& X) n' u# y8 f# z( d& p+ z$ 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6 \1 I n! Z6 |7 Q! v1 [$ f9 V4 P$ m
; ?& I2 G9 {7 f/ t G
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8 w# y& e U/ s. |# _, @
|
|
楼主: dowall2
发表于 2016-5-10 22:01:04
发表于 2016-5-10 22:29:57
发表于 2016-5-11 10:08:10
发表于 2016-5-11 10:19:32
发表于 2016-5-12 09:43:28
