|
|
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：
3 w e' ~) ^! I. a3 a# B9 |1 e
6 u2 p! ^1 p9 l! B9 x" s% F1 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" |" W6 e$ ^8 O" N1 w
2 f4 z8 w$ G/ h5 ~; q2 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，4 I5 H$ c+ v4 f i) \" i4 ^" w8 k
" l' v$ E. i' r2 @: Y, q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：
" N$ O/ p- S8 |, D# M. z& F( a1 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 b, C5 H3 `. c3 [, R0 u
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 U- g# D5 ]4 Q5 S# Z3 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
/ B) {" ]- b2 U! [4 W: J8 w9 a+ g" z Q; Y. q6 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
4 q9 ]% k* ~' y+ W
6 s2 G. m& q( r. B9 ^) x9 u/ L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
% J; B4 ` I9 E6 m4 K |
|
楼主: dowall2
楼主
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
