|
|

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:
7 O3 s, T1 ?! S- l# z- S3 ]& n4 B C7 l1 L
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
4 g4 E. D7 ~3 S( m" X- t& \
% q2 j8 u N* H) @( I y2 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 [& `: R6 U, E# ~# g! a
$ C6 o4 j5 J: s0 p" q: l' Y1 ~) R: y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:( D- B4 O) f3 b
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
/ n$ N, ?" j- C; X5 j2 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 [2 e8 l$ S: J1 n+ {; w
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* M% q" l" N0 Z! a" U
7 T- } @# u% T+ V
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 J- o" ]* I" j8 E' h% V. j( o; e2 I% }& ?* X, ]9 b: x
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 X9 d* d9 Q$ }" G. a' E$ u; v& o |
|