避免被禁止(ban)
有些网站实现了特定的机制,以一定规则来避免被爬虫爬取。
与这些规则打交道并不easy,须要技巧,有时候也须要些特别的基础。 假设有疑问请考虑联系?商业支持?。
以下是些处理这些网站的建议(tips):
- 使用user agent池。轮流选择之中的一个来作为user agent。
池中包括常见的浏览器的user agent(google一下一大堆)
- 禁止cookies(參考?COOKIES_ENABLED),有些网站会使用cookies来发现爬虫的轨迹。
- 设置下载延迟(2或更高)。
參考?DOWNLOAD_DELAY?设置。
- 假设可行,使用?Google cache?来爬取数据,而不是直接訪问网站。
- 使用IP池。比如免费的?Tor项目?或付费服务(ProxyMesh)。
- 使用高度分布式的下载器(downloader)来绕过禁止(ban),您就仅仅须要专注分析处理页面。这种样例有:?Crawlera