由于爬蟲爬取速度過(guò)快，可能會(huì)遇到同一個(gè)IP訪問(wèn)過(guò)于頻繁的問(wèn)題，網(wǎng)站就會(huì)讓我們輸入驗(yàn)證碼再登錄或直接封鎖IP，這樣會(huì)給爬取帶來(lái)極大的不便。

　　通過(guò)使用代理服務(wù)器軟件隱藏IP，在爬取過(guò)程中不斷更換ip地址，就不會(huì)被封鎖，達(dá)到很好的數(shù)據(jù)成果。即使用了ip代理，也不能百分百的保障不會(huì)遇到問(wèn)題，或者IP不會(huì)被封，在使用的過(guò)程中可能會(huì)因?yàn)樾袨閱?wèn)題暴露了，又或者是ip修改器有效性低，導(dǎo)致出現(xiàn)的問(wèn)題，還有其他的一些原因也會(huì)影響到這樣的后果，解決這些問(wèn)題也是有方法的。

　　1、web端做了一層緩存

　　挑選一定數(shù)量的ip,每隔2-3分鐘,進(jìn)行檢測(cè),這個(gè)檢測(cè)就不需要是爬取的網(wǎng)站的url,因?yàn)闇y(cè)試過(guò)能夠連接代理訪問(wèn)即可,例如baidu之類的比較大眾的網(wǎng)站.

　　2、使用了bloomfilter進(jìn)行判重

　　獲取的ip代理可能之前有判定重復(fù)的,通過(guò)檢查判重,減少資源消耗。每隔一定時(shí)間bf會(huì)被清空，python本身自帶bf,當(dāng)時(shí)好像遇到什么問(wèn)題了,實(shí)際使用與需求有點(diǎn)不符,具體記不清楚了,最后摒棄了自帶的bf,使用了別人的一個(gè)bf on redis的項(xiàng)目.paramiao/pydrbloomfilter其實(shí)我就是想用用bf而已.造輪子花費(fèi)時(shí)間,就暫時(shí)不造了.

　　3、ip代理通過(guò)輪詢的方式給出

　　后續(xù)想更新算法,根據(jù)時(shí)間與計(jì)數(shù)挑選。

　　4、多進(jìn)程進(jìn)行ip判定

　　防止數(shù)量太多進(jìn)程一直運(yùn)行.目前判定進(jìn)程數(shù)是直接配置在配置文件中的,后面想做到自適應(yīng).

　　5、數(shù)據(jù)庫(kù)使用redis

　　redis這里作為兩點(diǎn),一個(gè)是數(shù)據(jù)存儲(chǔ),一個(gè)是web的緩存.而且redis本身又不是很大.用在這里很適合.而且bf-redis項(xiàng)目中,也在使用redis.

　　6、目標(biāo)網(wǎng)站檢測(cè)使用的反爬蟲方式

　　ip代理，隨機(jī)agent，帶cookie訪問(wèn)。

　　由于IP會(huì)失效，這可能會(huì)遇到許多問(wèn)題，大家對(duì)于找出原因，對(duì)癥下藥處理，使用動(dòng)態(tài)ip海，海量的IP資源隨意切換，高匿名ip代理可以更好的隱藏起用戶的真實(shí)IP。

版權(quán)聲明：本文為ipadsl.cn所屬公司原創(chuàng)作品，未經(jīng)許可，禁止轉(zhuǎn)載！