|
|
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：5 n/ n# t% n$ Q- [0 S/ n8 C
. r6 L* t5 Q( \) w
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
$ e' {" j1 ~! F3 e" C; d2 y
! P, j/ _+ j6 {' ?3 O2 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，
. [! D! u& c3 T, s y* N
, I8 U; U' x. w9 y) d0 g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：
5 G( x* t, X* n$ e1 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$ t% J, e. ~1 G3 ^- I
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5 \) U& S. k; z2 R' d
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
" c' n) {$ j- g. z" h
. Y ?- b0 Z6 O) W$ t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
0 k2 ]" ^2 c& T t' ^" l+ L$ z8 f
) `& R O# [2 F! t- {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
7 x3 V4 g4 J; q8 u- \ |
|
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
