爬虫怎么解决封IP的问题？

爬虫利用代理ip突破频率限制，这样可以让爬虫程序高效抓取信息。基本上大量的爬虫都是有任务的，为了加快完成这些任务，使用代理ip这是很有必要的。

本身爬虫程序一定要在合乎规范的范围中进行，不能够影响被访服务器的正常运行，更不能把爬取来的信息用作其他用途，这是首先需要去明确的一点，那么应该怎么保证爬虫程序的正常运行并且高效抓取数据呢？

1.高效爬虫的系统

想要有一个能够高效抓取信息的爬虫程序，相关的系统配置一定要到位。比如说：需要高带宽的网络，如果网络水平太低，平均一个网页只有几百kb的速度，那么基本上就可以放弃操作了；由于代理服务器的稳定性并不是很稳定的，所以一个完整的爬虫程序要有自己相应的容错机制，这样确保整个爬虫程序最后能够完整爬取下来；当然，想要正常爬取还需要一个好用的转化存储系统，这样才能确保程序爬取到的数据能够正常存储使用。

2.代理ip突破频率限制

一般来说，一个网站服务器检测是否为爬虫程序的一个很大的依据就是代理ip，如果网站检测到同一个代理ip在短时间之内频繁多次的向网站发出不同的HTTP请求，那么基本上就会被判定为爬虫程序，然后在一段时间之内，当前的代理ip信息在这个网页中就不能正常的使用。

所以如果不使用代理ip，就只能在爬取的过程中延长请求的间隔时间和频率，以便更好地避免被服务器禁止访问，当然，如果手里有大量的代理ip资源，就可以比较方便的进行抓取工作，也可以选择自建服务器或者自己爬取，但是网上免费的代理ip多少会有不安全的地方，使用代理商代理ip可以更好的维护网络安全。

我用 PHP 和 Python 都写过爬虫和正文提取程序。

最开始使用 PHP 所以先说说 PHP 的优点：

1.语言比较简单，PHP 是非常随意的一种语言。写起来容易让你把精力放在你要做的事情上，而不是各种语法规则等等。

2.各种功能模块齐全，这里分两部分：

1.网页下载：curl 等扩展库

2.文档解析：dom、xpath、tidy、各种转码工具，可能跟题主的问题不太一样，我的爬虫需要提取正文，所以需要很复杂的文本处理，所以各种方便的文本处理工具是我的大爱。

总之容易上手。

缺点：

1.并发处理能力较弱：由于当时 PHP 没有线程、进程功能，要想实现并发需要借用多路服用模型，PHP 使用的是 select 模型。实现其来比较麻烦，可能是因为水平问题我的程序经常出现一些错误，导致漏抓。

再说说 Python：

优点：

1.各种爬虫框架，方便高效的下载网页

2.多线程、进程模型成熟稳定，爬虫是一个典型的多任务处理场景，请求页面时会有较长的延迟，总体来说更多的是等待。多线程或进程会更优化程序效率，提升整个系统下载和分析能力。

3.GAE 的支持，当初写爬虫的时候刚刚有 GAE，而且只支持 Python ，利用 GAE 创建的爬虫几乎免费，最多的时候我有近千个应用实例在工作。

缺点：

1.对不规范 HTML 适应能力差：举个例子，如果一个页面里面同时有 GB18030 字符集的中文和 UTF-8 字符集的中文，Python 处理起来就没有 PHP 那么简单，你自己需要做很多的判断工作。当然这是提取正文时的麻烦。

Java 和 C++ 当时也考察过，相对脚本语言比较麻烦，所以放弃。

总之，如果开发一个小规模的爬虫脚本语言是个各方面比较有优势的语言。如果要开发一个复杂的爬虫系统可能 Java 是个增加选项， C++ 我感觉写个模块之类的更加适合。对于一个爬虫系统来说，下载和内文解析只是基本的两个功能。真正好的系统还包括完善的任务调度、监控、存储、页面数据保存和更新逻辑、排重等等。爬虫是一个耗费带宽的应用，好的设计会节约大量的带宽和服务器资源，并且好坏差距很大。

---