网络数据量越来越大,从网页中获取信息变得越来越困难,如何有效地抓取并利用信息,已成为网络爬虫一个巨大的挑战。下面IPIDEA为大家讲明爬虫代理IP的使用方法。
1. 利用爬虫脚本每天定时爬取代理网站上的ip,写入MongoDB或者其他的数据库中,这张表作为原始表。
2. 使用之前需要做一步测试,就是测试这个ip是否有效,方法就是利用curl访问一个网站查看返回值,需要创建一张新表,循环读取原始表有效则插入,验证之后将其从原始表中删除,验证的同时能够利用响应时间来计算这个ip的质量,和最大使用次数,有一个算法能够参考一种基于连接代理优化管理的多线程网络爬虫处理方法。
3. 把有效的ip写入ip代理池的配置文件,重新加载配置文件。
4.让爬虫程序去指定的dailiy的服务ip和端口,进行爬取。
这种情况好象只能通过robots.txt设置来解决了,当然对于几个主要的搜索引擎蜘蛛与一淘蜘蛛你可以允许它们访问,但可以通过robots.txt设置禁止其访问一些链接太多,意义不大的页面。好象目前这是最好的解决方法。当然,朋友,搜索引擎蜘蛛爬行导致服务器卡死,另一方面也证明了你的服务器不太适应现在发现需要,可能更现实的解决方法是更换网站服务器。
欢迎分享,转载请注明来源:夏雨云
评论列表(0条)