如何高效实现搜索引擎网页爬取

原创

小白学大数据

发布于 2023-04-19 16:24:05

52600

代码可运行

文章被收录于专栏：python进阶学习python进阶学习

运行总次数：0

代码可运行

搜索引擎的普及，使得人们可以轻松地获取各种信息。但是，大多数人并不知道这些信息是如何被搜索引擎获取的。搜索引擎爬虫，也叫网络蜘蛛，是指一类自动化程序，用于按照特定算法从互联网上抓取网页，并将其存储到本地服务器上。在搜索引擎中，爬虫起到了收集信息的作用。

那那些网页我们是可以爬取的呢？

一般在进行网站抓取前，需要确定需要抓取哪些页面，这通常由以下两个因素决定:

(1）根据用户需求或者主题关键词来确定需要抓取哪些网站.

(2）根据已有的数据来决定需要抓取哪些网站。

经过分析发现，搜索引擎爬虫有2个比较突出的问题

1、主流搜索引擎都有严格的风控策略，如Google验证码，解决难度极高，技术上需要特殊处理

2、会拒绝访问密集的请求，技术上需要特殊处理，同时需要大量IP池资源

这就是网站的反爬机制，为了避免被反爬虫机制识别并封禁，在进行数据采集时需要合理设置User-Agent头部信息，使用代理IP池以避开IP封禁，使用验证码识别技术以应对反爬虫机制等。其中最简单的就是使用优质代理ip应当ip限制。如果是数据量大的，需要大量的ip咨询，这种情况只要通过购买第三方资源，比如亿牛云提供的爬虫隧道代理，隧道代理的使用方式可以分享给大家参考下：

   #! -*- encoding:utf-8 -*-
        import base64            
        import sys
        import random

        PY3 = sys.version_info[0] >= 3

        def base64ify(bytes_or_str):
            if PY3 and isinstance(bytes_or_str, str):
                input_bytes = bytes_or_str.encode('utf8')
            else:
                input_bytes = bytes_or_str

            output_bytes = base64.urlsafe_b64encode(input_bytes)
            if PY3:
                return output_bytes.decode('ascii')
            else:
                return output_bytes

        class ProxyMiddleware(object):                
            def process_request(self, request, spider):
                # 代理服务器(产品官网 www.16yun.cn)
                proxyHost = "t.16yun.cn"
                proxyPort = "31111"

                # 代理验证信息
                proxyUser = "username"
                proxyPass = "password"

                # [版本>=2.6.2](https://docs.scrapy.org/en/latest/news.html?highlight=2.6.2#scrapy-2-6-2-2022-07-25)无需添加验证头,会自动在请求头中设置Proxy-Authorization     
                request.meta['proxy'] = "http://{0}:{1}@{2}:{3}".format(proxyUser,proxyPass，proxyHost，proxyPort)

                # 版本<2.6.2 需要手动添加代理验证头
                # request.meta['proxy'] = "http://{0}:{1}".format(proxyHost,proxyPort)
                # request.headers['Proxy-Authorization'] = 'Basic ' +  base64ify(proxyUser + ":" + proxyPass)                    

                # 设置IP切换头(根据需求)
                # tunnel = random.randint(1,10000)
                # request.headers['Proxy-Tunnel'] = str(tunnel)

                # 每次访问后关闭TCP链接，强制每次访问切换IP
                request.header['Connection'] = "Close"

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

python