帮助中心

汇集使用技巧,一分钟上手动态IP,赢在大数据时代,从这里开始。

当前位置:帮助中心>最新资讯

使用HTTP代理ip突破防采集策

  常见的Web反采集策略大概有5种,他们是:

  1、数据加密;

  2、限制访问频率;

  3、数据以非文本形式展现;

  4、验证码保护;

  5、Cookie验证;

使用HTTP代理ip突破防采集策

  本文主要探讨一下如何突破限制访问频率:

  限制访问频率的原理:

  服务器端程序(例如,WAF、维护了一个客户端(IP、的访问计数,如果客户端(IP、请求频率超过阈值,请求就会被拦截,通常会出现下列情形:

  1、最常见的:返回403或503错误。

  2、连接被重置。

  3、最让人闹心的结果:返回无效的内容

  突破方法:

  1、使用HTTP代理ip。因为服务端是根据IP进行限制的,通过使用代理ip就可以将下载量平均到多个IP上。

  需要提醒的是不要选择透明代理,因为透明代理就相当于你的真是ip只穿了一件透明的纱巾,里面的东西看的一清二楚,用和不用效果没啥区别因为WAF能够检测到真实的源IP,所以要使用隐秘(secret)代理。

  2、增加请求延迟。比如,WAF限制单IP请求频率不能超过20次/分钟,我们可以在两次请求之间增加5S的延迟,这样下载频率就是12次/分钟,就不会被拦截了。

  我们一般都会将1,2种方法结合使用

  通常我们会将1、和2、的方法结合,这样即能防止被拦截,又能加快采集速度。例如,使用10个ip代理,每次下载增加5S延迟,一分钟的实际下载量就是:120次。

  3、利用搜索引擎缓存(Google,Bing,百度、。“曲线救国”策略,绕过目标服务器,从搜索引擎的缓存进行采集。而且缓存里的页面的结构和原页面是一样的,不用重写提取规则。

  4、谷歌翻译。让谷歌作为我们的“代理”,将源语言和目标语言都设置成一样,这样从谷歌翻译结果获取的数据和原页面就是一样的(注意,HTML结构有很大变化,需要重写提取规则)。

  5、对于返回无效内容的情况,一定要找到检测内容是否有效的方法,否则很难保证所有数据都是正确的。



在线咨询
微信号

微信号

回到顶部