A crawler crawling baidu searching results by means of constantly changing proxies.
爬取百度搜索结果中c-abstract里的数据,并使用不断更换代理ip的方式绕过百度反爬虫策略,从而实现对数以10w计的词条的百度搜索结果进行连续爬取。
###获取代理ip策略
-
- 抓取页面上全部[ip:port]对,并检测可用性(有的代理ip是连不通的)。
-
- 使用"多轮检测"策略,即每个ip要经历N轮,间隔为duration连接测试,每轮都会丢弃连接时间超过timeout的ip。N轮下来,存活的ip都是每次都在timeout范围以内连通的,从而避免了"辉煌的15分钟"效应。
###爬取策略
有3个策略:
-
- 每当出现download_error,更换一个IP
-
- 每爬取200条文本,更换一个IP
-
- 每爬取20,000次,更新一次IP资源池
上述参数均可手动调整
###TODO
-
- 对因网络原因未爬取的词进行二次爬取,直到达到用户指定的爬取率
-
- 对爬取速度快的优质ip增加权重,从而形成一个具有优先级的ip池