有人研究过看准网的防采集规则吗？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

V2EX 提问指南

这是一个创建于 3129 天前的主题，其中的信息可能已经有所发展或是发生改变。

最近想采集看准网的部分内容，但是老是被封，每次基本上被封两三天；不知道这里有没有朋友研究过他们的防采集？怎么突破

采集

看准网

研究

老是

11 条回复 • 2016-04-15 17:09:24 +08:00

leavic

2016-04-15 10:49:29 +08:00

先说说你做了哪些防封措施？

vvwvv

2016-04-15 11:02:13 +08:00

@leavic 做了代理、已经休眠比如采集 30 条休眠 1 分钟 ps ：用的火车头····

leavic

2016-04-15 11:06:04 +08:00

1 ：代理是 IP 池吗？单个 IP 或者不经常随机更换没有意义。
2 ：采集 30 分钟休眠 1 分钟，这个机器特征太明显了，如果真要封当然可以找出来。而且连续爬 30 分钟，这个对服务器不是个小的负担，把每次请求的间隔增大个几秒可能更有意义，这样更接近人类访问。

真要搞，其实也只能大规模分布式爬了。

zqhong

2016-04-15 11:57:50 +08:00

可以看下这个：
https://github.com/ericls/vote_against_37/blob/master/main.py

这里面采用一种思路：在发送 HTTP 请求前，添加 X-Forwarded-For 请求头，值为随机 IP 。某些网站通过 X-Forwarded-For 来获取用户的“真实 IP ”。比如： www.ip138.com 这个网站。

关于 X-Forwarded-FOr ：一般你使用代理的时候，代理服务器会在 HTTP 头里面加一个 X-Forwarded-For 来标识用户的真实 IP 。具体请看 wiki ： https://zh.wikipedia.org/wiki/X-Forwarded-For

这是我最近爬取豆瓣电影写的一个爬虫，也可以看看：
https://github.com/zqhong/douban_movie

感觉很多方面还有待提高，欢迎提出 issues 。

popok

2016-04-15 13:51:50 +08:00

@zqhong 这个是 PHP 一个获取 IP 的函数， discuz 也是用的这个，被借用的比较广泛，但是 X-Forwarded-For 这个请求头，客户端可是自己设置，所以很多 php 的程序都可以被伪造 IP 。。

不过现在很多程序都把这个函数改了，不从 X-Forwarded-For 上读 IP ，所以看运气

popok

2016-04-15 13:52:03 +08:00

function GetIP(){
if (getenv("HTTP_CLIENT_IP") && strcasecmp(getenv("HTTP_CLIENT_IP"), "unknown"))
$ip = getenv("HTTP_CLIENT_IP");
else if (getenv("HTTP_X_FORWARDED_FOR") && strcasecmp(getenv("HTTP_X_FORWARDED_FOR"), "unknown"))
$ip = getenv("HTTP_X_FORWARDED_FOR");
else if (getenv("REMOTE_ADDR") && strcasecmp(getenv("REMOTE_ADDR"), "unknown"))
$ip = getenv("REMOTE_ADDR");
else if (isset($_SERVER['REMOTE_ADDR']) && $_SERVER['REMOTE_ADDR'] && strcasecmp($_SERVER['REMOTE_ADDR'], "unknown"))
$ip = $_SERVER['REMOTE_ADDR'];
else
$ip = "unknow";
return($ip);
}