请选择 进入手机版 | 继续访问电脑版

苏苏网赚论坛

 找回密码
 立即注册
查看: 89|回复: 0

如何利用代理ip确保爬虫工作按时完成

[复制链接]
发表于 2019-6-25 13:57:58 | 显示全部楼层 |阅读模式
我们在进行网络爬虫业务时,常会碰到一些问题,不是返回一些乱七八糟的状态码,就是限制我们的ip地址,甚至封ip,或是什么内容都不返回,也不知道原因是什么。那么,要怎么做才能确保爬虫工作的顺利进行呢

一、分析目标网站数据模块

当我们确定要爬取的网站时,要先分析目标网站的数据模块,以电商类网站举例,包括商品、价格、评价、销量、促销活动等信息;还有信息综合类网站,有体育新闻、科技新闻、娱乐新闻等,而且每一个版块下面可能还有二级分类,三级分类。

二、编写demo,分析网站结构

先模拟http请求目标网页,看下网站响应的数据内容大概的形式,正常浏览的时候是能获取目录数据和进入目录的具体链接,然后根据链接抓取获得每一个模块的具体数据包。

三、分析目标网站反网络爬虫策略

正常发出去的http请求到目标网站,返回的200状态,表明请求合法被接受,并且能够看到返回的数据。要是触发了目标网站的反爬策略,那就会把当前ip列入到异常黑名单,再也不可以正常浏览了。所以如何分析目标网站的反网络爬虫策略呢,只能不断的去尝试,比如一个ip访问多少次会触发,短时间访问多少次会触发,还有一些其他方面的限制,比如验证码、cookies等等。通过不断尝试,逐渐了然于心。

四、数据分析,代理ip池要求

我们通过需要获取多少数据,能够大概了解需要访问多少网页;通过目标网站的反爬策略,能大概知道需要多少代理ip,需要多大的代理ip池。假设要访问100万个页面,每个ip能访问100个页面后会触发反爬机制,那大概需要1万左右不重复的代理ip;假设每次爬取一个页面需要10秒,加上抓取频率控制5秒,100个页面需要1500秒,可以得出单个ip的使用时间大概需要30分钟左右,当然,这只是个大概的数字,也不一定准确,毕竟目标网站的响应时间不是固定的,频率控制也是随机的,而且在抓取过程中也会有其他状况发生。

五、数据存储,设计数据库

爬虫爬取的数据量很大的话,数据库的设计也很关键,合理的设计,存取和管理的效率也会提高很多。

河马代理IP,高匿代理IP,需要联系扣扣:3372,,,,,92,,,,,404
热帖推荐
回复

使用道具 举报

广告合作|最大的网赚客中文交流社区!七年老站!

GMT+8, 2019-8-20 18:00 , Processed in 0.070916 second(s), 23 queries , Gzip On.

Powered by Discuz! X3.1 VIP版

© 2012-2019 苏苏网赚论坛 版权所有 | 7年老品牌

快速回复 返回顶部 返回列表