上次有說(shuō)過(guò)，我在新公司有部分工作是負(fù)責(zé)爬蟲業(yè)務(wù)的，爬蟲機(jī)器有上百臺(tái)，節(jié)點(diǎn)也要計(jì)劃遷入了Docker平臺(tái)上。  這兩天遇到一個(gè)棘手的問(wèn)題，就是因?yàn)槲覀優(yōu)榱俗非髷?shù)據(jù)量，在某些機(jī)房，用docker啟動(dòng)了不少爬蟲節(jié)點(diǎn)，導(dǎo)致一些傻逼網(wǎng)站，開(kāi)始封禁我們…. …   （干死他們，哥們要是有資源，必須干掉ddos，讓你防 ！  當(dāng)然我也就裝裝逼，沒(méi)這個(gè)資源）

     對(duì)于爬蟲被封禁 ！ 爬蟲一般來(lái)說(shuō)只要你的ip夠多，是不容易被封的。 一些中小網(wǎng)站要封殺你，他的技術(shù)成本也是很高的，因?yàn)榇蠖鄶?shù)網(wǎng)站沒(méi)有vps，他們用的是虛擬空間或者是sae，bae這樣的paas云。 其實(shí)就算他們不考慮seo搜索優(yōu)化，用ajax渲染網(wǎng)頁(yè)數(shù)據(jù)，我也可以用webkit瀏覽器組件來(lái)搞定ajax之后的數(shù)據(jù)。

      如果某個(gè)網(wǎng)站他就是閑的蛋疼，他就是喜歡從log里面，一行行的分析出你的ip，然后統(tǒng)計(jì)處頻率高的網(wǎng)站， 那這個(gè)時(shí)候咋辦？   其實(shí)方法很草比，就是用大量的主機(jī)，但是大量的主機(jī)是有了，你如果沒(méi)有那么爬蟲的種子量，那屬于浪費(fèi)資源… …  其實(shí)一個(gè)主機(jī)，多個(gè)ip是可以的。。。
這個(gè)時(shí)候是有兩種方法可以解決的,第一個(gè)是用squid綁定多個(gè)ip地址，做正向代理…. 你的程序里面維持一組連接池，就是針對(duì)這幾個(gè)正向proxy做的連接池。
正向代理和反向代理最大的區(qū)別就是，反向代理很多時(shí)候域名是固定的，而正向代理是通過(guò)一個(gè)http的代理端口，隨意訪問(wèn)，只是在proxy端會(huì)修改http協(xié)議，去幫你訪問(wèn)
如果是python，其實(shí)單純調(diào)用socket bind綁定某個(gè)ip就可以了，但是標(biāo)題的輪訓(xùn)是個(gè)什么概念，就是維持不同的socket bind的對(duì)象，然后你就輪吧 ！   跟一些業(yè)界做專門做爬蟲的人聊過(guò)，他們用的基本都是這樣的技術(shù)。 

 
# -*- coding=utf-8 -*- 
import socket 
import urllib2 
import re 
true_socket = socket.socket 
 
ipbind='xx.xx.xxx.xx' 
 
def bound_socket(*a, **k): 
    sock = true_socket(*a, **k) 
    sock.bind((ipbind, 0)) 
    return sock 
 
socket.socket = bound_socket 
 
response = urllib2.urlopen('http://www.ip.cn') 
html = response.read() 
ip=re.search(r'code.(.*?)..code',html) 
print ip.group(1) 
在http://stackoverflow.com/ 上也找到一些個(gè)老外給與的解決方法的思路，他是借助于urllib2的HTTPHandler來(lái)構(gòu)造的出口的ip地址。

import functools
import httplib
import urllib2

class BoundHTTPHandler(urllib2.HTTPHandler):

    def __init__(self, source_address=None, debuglevel=0):
        urllib2.HTTPHandler.__init__(self, debuglevel)
        self.http_class = functools.partial(httplib.HTTPConnection,
                source_address=source_address)

    def http_open(self, req):
        return self.do_open(self.http_class, req)

handler = BoundHTTPHandler(source_address=("192.168.1.10", 0))
opener = urllib2.build_opener(handler)
urllib2.install_opener(opener)

 
import functools
import httplib
import urllib2
 
class BoundHTTPHandler(urllib2.HTTPHandler):
 
    def __init__(self, source_address=None, debuglevel=0):
        urllib2.HTTPHandler.__init__(self, debuglevel)
        self.http_class = functools.partial(httplib.HTTPConnection,
                source_address=source_address)
 
    def http_open(self, req):
        return self.do_open(self.http_class, req)
 
handler = BoundHTTPHandler(source_address=("192.168.1.10", 0))
opener = urllib2.build_opener(handler)
urllib2.install_opener(opener)
那么就有一個(gè)現(xiàn)成的模塊 netifaces  ，其實(shí)netifaces模塊，就是剛才上面socket綁定ip的功能封裝罷了
地址:   https://github.com/raphdg/netifaces

import netifaces
netifaces.interfaces()
netifaces.ifaddresses('lo0')
netifaces.AF_LINK
addrs = netifaces.ifaddresses('lo0')
addrs[netifaces.AF_INET]
[{'peer': '127.0.0.1', 'netmask': '255.0.0.0', 'addr': '127.0.0.1'}]

import netifaces
netifaces.interfaces()
netifaces.ifaddresses('lo0')
netifaces.AF_LINK
addrs = netifaces.ifaddresses('lo0')
addrs[netifaces.AF_INET]
[{'peer': '127.0.0.1', 'netmask': '255.0.0.0', 'addr': '127.0.0.1'}]
感謝閱讀，希望能幫助到大家，謝謝大家對(duì)本站的支持！

最新評(píng)論