|
|
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 R4 A& _# z6 J! n; w T3 m% p n
* {- y$ T0 Z# u9 B1 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
8 h6 L0 D" F% ~1 V4 r) B+ d4 P( y
7 w" t+ L7 j0 _' C9 X6 G2 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，" I- p6 d: w* @0 l/ n
* f. l& X6 k! G9 }; C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：
& y) k8 M0 L8 z5 q1 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, M+ Z5 x8 l2 Z5 G; r
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( r7 |& h! p. Y- w3 ?8 ?+ F
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8 U X1 F/ H3 r& t+ o9 D; ~, u
3 E) z* N- I% W5 r; ]2 g
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 t4 ~4 A8 @6 `: b, W' T% C) C
+ P5 M( R# w7 e+ M& X0 V7 K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
4 i% K: y% a, B |
|
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
