|
|
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：# t3 O B( B; A" ]1 C' a
' b5 t$ i: k0 W1 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) O6 n7 H6 d/ `. V, t
3 H+ |0 A- @4 g/ K" ~! j
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，% x) n! m" J2 p9 } t2 \* c; z
4 z6 R; X$ k- F0 a# u" ~' N" J; A9 ^
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：
/ Z) a+ ]: X/ k6 A/ O X6 A0 M1 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 k+ E: G9 {
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 a" O" ?1 q y$ D! l. t; c
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
* F; a) o2 [ B! z6 l! Q( D
! F; r3 D. | |: k, b8 ^! u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# T& i4 X, ?1 e6 p0 N5 e
, t8 P0 e- O. W* r/ k X2 E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 p1 A" ]" d9 B |
|
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
