爬蟲(chóng)時(shí)IP總是被封該怎么辦

這篇文章將為大家詳細(xì)講解有關(guān)爬蟲(chóng)時(shí)IP總是被封該怎么辦，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個(gè)參考，希望大家閱讀完這篇文章后對(duì)相關(guān)知識(shí)有一定的了解。

站在用戶的角度思考問(wèn)題，與客戶深入溝通，找到乳山網(wǎng)站設(shè)計(jì)與乳山網(wǎng)站推廣的解決方案，憑借多年的經(jīng)驗(yàn)，讓設(shè)計(jì)與互聯(lián)網(wǎng)技術(shù)結(jié)合，創(chuàng)造個(gè)性化、用戶體驗(yàn)好的作品，建站類型包括：成都網(wǎng)站設(shè)計(jì)、網(wǎng)站建設(shè)、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣、主機(jī)域名、雅安服務(wù)器托管、企業(yè)郵箱。業(yè)務(wù)覆蓋乳山地區(qū)。

在我抓取網(wǎng)站遇到瓶頸，想劍走偏鋒去解決時(shí)，常常會(huì)先去看下該網(wǎng)站的 robots.txt 文件，有時(shí)會(huì)給你打開(kāi)另一扇抓取之門。

寫爬蟲(chóng)有很多苦惱的事情，比如：

1.訪問(wèn)頻次太高被限制;

2.如何大量發(fā)現(xiàn)該網(wǎng)站的 URL;

3.如何抓取一個(gè)網(wǎng)站新產(chǎn)生的 URL，等等;

這些問(wèn)題都困擾著爬蟲(chóng)選手，如果有大量離散 IP 和賬號(hào)，這些都不是問(wèn)題，但是絕大部分公司都不具備這個(gè)條件的。

我們?cè)诠ぷ髦袑懙呐老x(chóng)大多是一次性和臨時(shí)性的任務(wù)，需要你快速完成工作就好，當(dāng)遇到上面情況，試著看下 robots.txt 文件。

舉個(gè)栗子：

老板給你布置一個(gè)任務(wù)，把豆瓣每天新產(chǎn)生的影評(píng)，書(shū)評(píng)，小組帖子，同城帖子，個(gè)人日志抓取下來(lái)。

初想一下，這任務(wù)得有多大，豆瓣有 1.6 億注冊(cè)用戶，光是抓取個(gè)人日志這一項(xiàng)任務(wù)，每個(gè)人的主頁(yè)你至少每天要訪問(wèn)一次。

這每天就得訪問(wèn) 1.6 億次，小組/同城帖子等那些還沒(méi)算在內(nèi)。

設(shè)計(jì)一個(gè)常規(guī)爬蟲(chóng)，靠著那幾十個(gè) IP 是完不成任務(wù)的。

初窺robots.txt

當(dāng)老板給你了上面的任務(wù)，靠著你這一兩桿槍，你怎么完成，別給老板講技術(shù)，他不懂，他只想要結(jié)果。

我們來(lái)看下豆瓣的 robots.txt。

看圖片上面紅框處，是兩個(gè) sitemap 文件

打開(kāi) sitemap_updated_index 文件看一下：

里面是一個(gè)個(gè)壓縮文件，文件里面是豆瓣頭一天新產(chǎn)生的影評(píng)，書(shū)評(píng)，帖子等等，感興趣的可以去打開(kāi)壓縮文件看一下。

也就是說(shuō)每天你只需要訪問(wèn)這個(gè) robots.txt 里的 sitemap 文件就可以知道有哪些新產(chǎn)生的 URL。

不用去遍歷豆瓣網(wǎng)站上那幾億個(gè)鏈接，極大節(jié)約了你的抓取時(shí)間和爬蟲(chóng)設(shè)計(jì)復(fù)雜度，也降低了豆瓣網(wǎng)站的帶寬消耗，這是雙贏啊，哈哈。

上面通過(guò) robots.txt 的 sitemap 文件找到了抓取一個(gè)網(wǎng)站新產(chǎn)生 URL 的偏方。沿著該思路也能解決發(fā)現(xiàn)網(wǎng)站大量 URL 的問(wèn)題。

再舉個(gè)栗子：

老板又給你一個(gè)任務(wù)，老板說(shuō)上次抓豆瓣你說(shuō)要大量 IP 才能搞定抓豆瓣每天新產(chǎn)生的帖子，這次給你 1000 個(gè) IP  把天眼查上的幾千萬(wàn)家企業(yè)工商信息抓取下來(lái)。

看著這么多 IP 你正留著口水，但是分析網(wǎng)站后發(fā)現(xiàn)這類網(wǎng)站的抓取入口很少(抓取入口是指頻道頁(yè)，聚合了很多鏈接的那種頁(yè)面)。

很容易就把儲(chǔ)備的 URL 抓完了，干看著這么多 IP 工作不飽滿。

如果一次性能找到這個(gè)網(wǎng)站幾萬(wàn)乃至幾十萬(wàn)個(gè) URL 放進(jìn)待抓隊(duì)列里，就可以讓這么多 IP 工作飽滿起來(lái)，不會(huì)偷懶了。

我們來(lái)看他的robots.txt文件：

打開(kāi)紅框處的 sitemap，里面有 3 萬(wàn)個(gè)公司的 URL，上圖是 1 月 3 號(hào)生成的，那個(gè)URL 是根據(jù)年月日生成的，你把 URL 改成 1 月 2  號(hào)，又能看到 2 號(hào)的sitemap里的幾萬(wàn)個(gè)公司 URL，這樣就能發(fā)現(xiàn)十幾萬(wàn)個(gè)種子 URL 供你抓取了。

PS：上面的 sitemap 其實(shí)也能解決抓取天眼查最近更新的，新產(chǎn)生 URL 的問(wèn)題。

小小的一個(gè)取巧，既降低了爬蟲(chóng)設(shè)計(jì)的復(fù)雜度，又降低了對(duì)方的帶寬消耗。

關(guān)于爬蟲(chóng)時(shí)IP總是被封該怎么辦就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。

網(wǎng)站欄目：爬蟲(chóng)時(shí)IP總是被封該怎么辦
當(dāng)前URL：http://www.muchs.cn/article40/pcooeo.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供用戶體驗(yàn)、外貿(mào)網(wǎng)站建設(shè)、網(wǎng)站設(shè)計(jì)公司、品牌網(wǎng)站建設(shè)、服務(wù)器托管、品牌網(wǎng)站設(shè)計(jì)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)