|
|
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：" G% G/ [6 P: a9 Q. F4 M" x
( R; u/ e. o% b3 L1 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 s) D! `6 Z0 Y% [3 j( h$ X6 u0 f! r2 K. _
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，" I# ?7 `/ Q# M8 C' l) p
- q$ Y8 ~0 u' }! 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：3 z# v; T M7 x$ 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
& M: O1 m# ~4 L' q3 X( @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) M% f4 B7 A' q& o3 R
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
9 {( t7 x( d* I; }* w. x* H2 q2 V3 s8 {/ H/ L' B- I& E0 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
C% v4 n# m3 f& e6 W, y" {* O9 @, X, F9 b4 v
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
0 \. b% D! n; l4 h |
|
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
