使用爬虫采集网站时,解决被封IP的几种方法

方法1.
    之前由于公司项目需要,采集过google地图数据,还有一些大型网站数据。
    经验如下:
    1.IP必须需要,像@alswl 说的非常正确,ADSL。如果有条件,其实可以跟机房多申请外网IP。
    2.在有外网IP的机器上,部署代理服务器。
    3.你的程序,使用轮训替换代理服务器来访问想要采集的网站。
    好处:
    1.程序逻辑变化小,只需要代理功能。
    2.根据对方网站屏蔽规则不同,你只需要添加更多的代理就行了。
    3.就算具体IP被屏蔽了,你可以直接把代理服务器下线就OK,程序逻辑不需要变化。
    方法2.
    有小部分网站的防范措施比较弱,可以伪装下IP,修改X-Forwarded-for(貌似这么拼。。。)即可绕过。
    大部分网站么,如果要频繁抓取,一般还是要多IP。我比较喜欢的解决方案是国外VPS再配多IP,通过默认网关切换来实现IP切换,比HTTP代理高效得多,估计也比多数情况下的ADSL切换更高效。
    方法3.
    ADSL + 脚本,监测是否被封,然后不断切换 ip
    设置查询频率限制
    正统的做法是调用该网站提供的服务接口。
    方法4.
    8年多爬虫经验的人告诉你,国内ADSL是王道,多申请些线路,分布在多个不同的电信区局,能跨省跨市更好,自己写好断线重拨组件,自己写动态IP追踪服务,远程硬件重置(主要针对ADSL猫,防止其宕机),其余的任务分配,数据回收,都不是大问题。我的已经稳定运行了好几年了,妥妥的!
    方法5.
    1 user agent 伪装和轮换
    2 使用代理 ip 和轮换
    3 cookies 的处理,有的网站对登陆用户政策宽松些
    友情提示:考虑爬虫给人家网站带来的负担,be a responsible crawler :)
    方法6.
    尽可能的模拟用户行为:
    1、UserAgent经常换一换;
    2、访问时间间隔设长一点,访问时间设置为随机数;
    3、访问页面的顺序也可以随机着来
    方法8.
    网站封的依据一般是单位时间内特定IP的访问次数.
    我是将采集的任务按 目标站点的IP进行分组 通过控制每个IP 在单位时间内发出任务的个数,来避免被封.当然,这个前题是你采集很多网站.如果只是采集一个网站,那么只能通过多外部IP的方式来实现了.
    方法9.
    1. 对爬虫抓取进行压力控制;
    2. 可以考虑使用代理的方式访问目标站点。
    -降低抓取频率,时间设置长一些,访问时间采用随机数
    -频繁切换UserAgent(模拟浏览器访问)
    -多页面数据,随机访问然后抓取数据
    -更换用户IP