使用爬虫爬取网站，经常使用的解决IP被封的办法

咱们常常在开发的过程当中，会编写一些爬虫爬取特定网站的数据，为本身所用。可是问题来了，爬虫常常会被目标网站封掉IP，这个时候咱们就须要一些额外的手段来解决这种问题了，下面是一些常见的解决办法。

方法1.
1.IP必须须要明确并且正确，这是前提条件。若是有条件，其实能够跟机房多申请外网IP。
2.在有外网IP的机器上，部署代理服务器。
3.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，只须要代理功能。
2.根据对方网站屏蔽规则不一样，你只须要添加更多的代理就好了。
3.就算具体IP被屏蔽了，你能够直接把代理服务器下线就OK，程序逻辑不须要变化。
方法2.
有小部分网站的防范措施比较弱，能够假装下IP，修改X-Forwarded-for（貌似这么拼。。。）便可绕过。
大部分网站么，若是要频繁抓取，通常仍是要多IP。我比较喜欢的解决方案是国外VPS再配多IP，经过默认网关切换来实现IP切换，比HTTP代理高效得多，估计也比多数状况下的ADSL切换更高效。
方法3.
ADSL + 脚本，监测是否被封，而后不断切换 ip
设置查询频率限制
正统的作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，分布在多个不一样的电信区局，能跨省跨市更好，本身写好断线重拨组件，本身写动态IP追踪服务，远程硬件重置（主要针对ADSL猫，防止其宕机），其他的任务分配，数据回收，都不是大问题。个人已经稳定运行了好几年了，妥妥的！
方法5.
1 user agent 假装和轮换
2 使用代理 ip 和轮换
3 cookies 的处理，有的网站对登录用户政策宽松些
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.
尽量的模拟用户行为：
一、UserAgent常常换一换；
二、访问时间间隔设长一点，访问时间设置为随机数；
三、访问页面的顺序也能够随机着来
方法8.
网站封的依据通常是单位时间内特定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 经过控制每一个IP 在单位时间内发出任务的个数,来避免被封.固然,这个前题是你采集不少网站.若是只是采集一个网站,那么只能经过多外部IP的方式来实现了.
方法9.
1. 对爬虫抓取进行压力控制；
2. 能够考虑使用代理的方式访问目标站点。
-下降抓取频率，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，随机访问而后抓取数据
-更换用户IP