|
|
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：
' {0 X* Y. e6 f1 ]% e( u0 r( c- f0 {, W* ^" X( p
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3 \' t" B0 t$ a; I" ?
* c3 x( D. F8 t2 [2 y, S
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，
* E q, S2 Q6 [; }* \8 M# A2 \8 ^- h8 n& j/ J. m) m
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：& F. @ J9 { i
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# T( L3 y7 r) Z
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
- w# T2 p) c3 o) j& S% F. y; T3 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
/ |6 n6 J4 u3 h, T. |' ]
+ y! P% T, l# Z$ w" }3 b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
I5 a# L0 L' n3 F3 |% G) Q5 V. n# m0 d# Q. p- p2 D, `( y* {
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
& u) g1 t9 [4 U U! s, S7 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
