Python爬虫如何避免爬取网站访问过于频繁

Posted 2023-04-11

一. 关于爬虫
爬虫，是一种按照一定的规则自动地抓取互联网信息的程序。本质是利用程序获取对我们有利的数据。

反爬虫，从不是将爬虫完全杜绝；而是想办法将爬虫的访问量限制在一个可接纳的范围，不要让它过于频繁。

二. 提高爬虫效率的方法
协程。采用协程，让多个爬虫一起工作，可以大幅度提高效率。

多进程。使用CPU的多个核，使用几个核就能提高几倍。

多线程。将任务分成多个，并发（交替）的执行。

分布式爬虫。让多个设备去跑同一个项目，效率也能大幅提升。

打包技术。可以将python文件打包成可执行的exe文件，让其在后台执行即可。

其他。比如，使用网速好的网络等等。

三. 反爬虫的措施
限制请求头，即request header。解决方法：我们可以填写user-agent声明自己的身份，有时还要去填写origin和referer声明请求的来源。

限制登录，即不登录就不能访问。解决方法：我们可以使用cookies和session的知识去模拟登录。

复杂的交互，比如设置“验证码”来阻拦登录。这就比较难做，解决方法1：我们用Selenium去手动输入验证码；方法2：我们用一些图像处理的库自动识别验证码（tesserocr/pytesserart/pillow）。

ip限制。如果这个IP地址，爬取网站频次太高，那么服务器就会暂时封掉来自这个IP地址的请求。 解决方法：使用time.sleep()来对爬虫的速度进行限制，建立IP代理池或者使用IPIDEA避免IP被封禁。 参考技术A 目前大数据的抓取都是由爬虫完成的，爬虫技术的应用很广泛，但用户都知道，一个IP频繁的抓取网站的时候，会被限制，甚至被封掉IP。那么，怎么处理爬虫频繁的问题呢？
这个问题的答案便是利用多IP爬虫，借助多个IP爬虫后，就可以处理频繁的问题了，具体的形式有以下几种：
1.如果使用的是局域网，并且有路由器，能够 通过重启路由的方式来换IP。
2.通过ADSL拨号，每当重新拨号的时候，IP便会变成新的，解决单IP的问题。
3.代理IP在网络上购买就可以了，或是选择免费代理IP，但质量不高。使用代理IP能够 实现多IP爬虫，这是非常常见的方法。
4.目前还有分布式爬虫，可以通过多个服务器，多个IP，随后让多个爬虫同时进行运行，这样效率非常高。
因此 ，处理爬虫频繁的问题还是有很多方法的，常见的是后两种。爬虫需要用的代理IP一般对质量要求较高，因为用的IP会比较多。 参考技术B 几个方法
1、代理ip
2、设置延迟，就是time.sleep(1000)
3、渗透本回答被提问者采纳

Stripe：如何避免过于频繁地调用 API？

【中文标题】Stripe：如何避免过于频繁地调用 API？

【英文标题】：Stripe: How To Avoid Calling The API Too Often?

【发布时间】：2016-04-29 16:21:53

【问题描述】：

我正在建立一个（小型）订阅盒业务，我现在需要专注于网络应用程序。我已经建立了基于条带的网站，所以我有相当的知识。

但是，我在构建这些以前的网站时遇到的问题是 API 被太频繁地调用。它减慢了一切。

如何构建这个基于订阅的网站，仅使用 Stripe，并且仅在需要时调用 Stripe API（创建/编辑客户、计划、订阅等）同时仍 确保网站上的信息对管理员和客户都进行了协调和最新？

【问题讨论】：

太频繁是什么意思？

【参考方案1】：

在此处查看 Stripe Webhook API：https://stripe.com/docs/webhooks

您可以将用户的信息存储在数据库中，并且仅在用户进行 UI 操作时才更新这些字段，并且您可以假设要更新的内容（例如订阅计划 ID）或使用 webhook 处理程序，您可以也可用作健全性检查。

更具体地说，我可以举一些例子，因为当用户执行以下操作时，您仍然需要进行 API 调用：创建帐户、删除他们的订阅、订阅不同的订阅。您将在他们的订阅到期时存储在数据库中。当用户提出请求时，您无需调用 API 来检查他们的订阅何时到期，而是检查数据库字段。当订阅自行更新时，您将拥有一个 webhook 处理程序来更新数据库中的到期日期。

基本上它的工作原理是 Stripe 只会在需要时向您的服务发出请求，而不是您的服务在每次请求时都调用 Stripe。

对于 WordPress，您可以使用用户元数据来缓存/存储用户的信息，并且只调用您的数据库以加快交易速度。 http://codex.wordpress.org/Function_Reference/get_user_meta

【讨论】：

你明白这个问题了吗？我没有。

是的，他的问题是，通过使用 Stripe 的 REST API，您必须等到 Stripe 返回响应后，服务器才会响应用户。这对性能非常不利，用户基本上必须等待 2 个 HTTP 请求才能获得响应。通过使用 webhook，您可以使系统更具反应性，从而消除整个 HTTP 请求。当用户创建帐户或订阅新订阅时，您需要进行 REST 调用。

太好了，正是我想要的。没有意识到网络钩子！用户发起的一切都会生成一个 API 调用，Stripe 自动化的一切都会生成它们以调用 webhook，然后我可以更新相关的用户元以获取基本信息！