爬虫解决网页ip限制的问题的八种方法

た入场券 2022-06-18 00:42 161阅读 0赞

## 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 :)

--------------------