|
|
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：
8 L5 i4 r+ U* ~5 J. h+ \4 _! s1 H3 N$ `# Z9 R) i# q
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
& ^5 q& O" j5 V6 g% y5 z1 W/ Y" N1 t' K, L" Z, ^$ T* J4 o# w- J% R
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，
3 s* ]$ D, [( s7 Z
% ^* F: Q6 A% X( A' n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：- F* }/ Q* U- M& X7 `& |4 A& E& \
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
& n# }; K6 |& N2 不要每次发送请求的间隔时间都一样，随机在 40~50秒 之间
& r1 X2 p) m# G7 q4 @9 k3 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
4 L" m) u7 ~3 f" F% R8 l$ n" Q+ e
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 d- \/ f( \1 G6 _9 U9 Z; W8 v0 p8 ^: _: v
& X: v5 \) W. k' Q( Z( B- {
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
; _6 o6 W0 X8 M6 Z/ s5 I |
|
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
