|
|
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 |4 j* F L8 o/ `. [0 x# b8 v& V& A
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
& C7 V9 O* p" c! V. F0 R! U9 e M! J0 T
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，
, ^0 |4 l- J# h. w6 k# D- }. ^2 g7 }* L
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：: Q' \- E$ N- ?. F/ Y& Y! U
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
1 b' J; [6 t6 g5 }1 o2 不要每次发送请求的间隔时间都一样，随机在 40~50秒 之间, ^* K; F* ~8 m' 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
2 l5 I+ }: o7 G; Y* ~; F
E- H8 \( t6 M6 r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7 ], F% V- J7 K/ I
: \8 I5 w( q: E; c0 h( j
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; P& n& h" T2 G: P4 s
|
|
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
