|
|
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：! R; E& x) }9 p2 Q: l8 S" o3 h) z- C7 r
! O: ~0 Z0 K& t7 t4 t& n
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
; y8 e8 q, b* w# P( S1 u$ T( E' d' F3 A
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，: }( v+ O( A# B' T0 z0 \6 T
- l8 m9 a+ c: ]# ?2 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：
9 k$ T# s) h, H* R1 M1 x1 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2 h' v, x3 z1 E7 u
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
4 f% S7 Z h+ e2 p# s7 L$ L3 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 P1 n$ J" F/ {+ w
T9 S$ t- C$ y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 N, \1 M; b! z. y$ Z
3 e0 f3 J4 a, i: A) i- A' ]: 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) o) K: W. z) k' a c
|
|
楼主: dowall2
发表于 2016-5-10 20:27:22
发表于 2016-5-10 22:01:04
发表于 2016-5-10 22:29:57
发表于 2016-5-11 10:19:32
发表于 2016-5-12 09:43:28
