推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 4007 天前的主题，其中的信息可能已经有所发展或是发生改变。
没事研究采集，准备拿大众点评网练手
形式如下
http://www.dianping.com/shop/6000000/
http://www.dianping.com/shop/6000001/
shop后面的ID是连续的，范围是1-1500万，当然有许多店铺是不存在的(404错误)，实际的店铺数量在700万左右，这里是用的穷举法，当然也可以进入网页按深度索引
遇到一个很严重的问题，就是点评网被爱帮网采集后采取了严格的反爬虫措施。
严格到什么程序，如果一个IP一秒一个进行采集，大概采集500-1000个左右就会出现403错误，IP被冻结了，一段时间后才解封，如果冻结了你不死心，继续大量采，就永久冻结了。
有人可能会说，用代理啊，我测试了淘宝许多家的好多代理，库存号称3000-5000个代理IP，一秒钟内能连接上也就200-800个，还有部分是透明代理。
如果用代理IP，从哪找那么多高质量的代理IP啊？
形式如下
http://www.dianping.com/shop/6000000/
http://www.dianping.com/shop/6000001/
shop后面的ID是连续的，范围是1-1500万，当然有许多店铺是不存在的(404错误)，实际的店铺数量在700万左右，这里是用的穷举法，当然也可以进入网页按深度索引
遇到一个很严重的问题，就是点评网被爱帮网采集后采取了严格的反爬虫措施。
严格到什么程序，如果一个IP一秒一个进行采集，大概采集500-1000个左右就会出现403错误，IP被冻结了，一段时间后才解封，如果冻结了你不死心，继续大量采，就永久冻结了。
有人可能会说，用代理啊，我测试了淘宝许多家的好多代理，库存号称3000-5000个代理IP，一秒钟内能连接上也就200-800个，还有部分是透明代理。
如果用代理IP，从哪找那么多高质量的代理IP啊？
 |
1
robinshi2010 2014-01-03 10:07:30 +08:00
顶一下。这个问题也好奇。坐等明白人回复。
|
 |
2
jtacm 2014-01-03 10:10:55 +08:00  1
有一个思路，反编译大众点评的andriod客户端，看andriod客户端用什么协议去读取数据的，模仿之。
|
 |
4
pirex 2014-01-03 10:15:47 +08:00
你可以先采集IP地址来练手
|
 |
5
Ever 2014-01-03 10:17:41 +08:00 2
去应聘dianping DBA.
|
 |
8
wtl 2014-01-03 10:43:19 +08:00
每次被封之后 断开adsl 重新拨号
|
 |
10
Lelouchcr 2014-01-03 10:49:29 +08:00 1
试试看用goagent来做代理~
goagent每次发出的请求的地址是不确定的 |
 |
11
noahzh 2014-01-03 10:50:37 +08:00
用一个可以自动切换ip 的路由,大年见过大神用一台笔记本加自动切换ip的路由,用erlang写的程序把大众点评数据全都跑下来了,大众点评还内部开会讨论这个问题了....
|
 |
12
chens 2014-01-03 10:50:44 +08:00
可以去抓site:www.dianping.com
|
 |
13
pc10201 OP @xdeng 我研究了一下大众点评的anroid客户端，是基于HTTP协议的，但采用了某种特殊的流量压缩技术，用普通的抓包软件查看都是乱码~
|
 |
14
suckli 2014-01-03 11:23:00 +08:00
修改ip包头的源地址~
|
 |
15
yushiro 2014-01-03 11:23:35 +08:00
曾经采集过， 1秒1个还是太频繁， 我记得当时是1～5秒随机延迟进行采集的， 不过我采集量不大， 也就采集了10w家店铺。
|
 |
16
allenforrest 2014-01-03 12:09:09 +08:00
@pc10201 居然不是 https 的？
|
 |
17
arron 2014-01-03 12:09:47 +08:00
大多数路由器也就一个http请求就可以重连的，然后定时去重连。 一般20秒就重连换ip了。 这样会慢点儿， 我记得两年前这么采了dianping 80万数据的样子， 1～2天时间吧。
上面看你那几百个代理已经够用了，采集一轮，第二轮又可以使了。 点评又没限制一天你一个ip的采集数量。也可以每次换着ip采集，这样同一ip的采集间隔时间就很长了。 |
|
18
arron 2014-01-03 12:12:42 +08:00
另外两三年前，我记得点评的店铺我基本都采集了，估摸着漏掉的加起来也就100万数据。
|
 |
19
Livid MOD 2
我真的不明白为什么要研究这方面的技术，你不可能靠采集来的数据做一个比点评更好的网站。
|
 |
20
tokki 2014-01-03 12:23:25 +08:00
中国人力很便宜
|
 |
22
sivacohan 2014-01-03 12:30:41 +08:00
@Livid
我抓过58同城的数据。量比较少，大概几千条。 需求的产生是一个朋友去找了一份做理财产品的工作，似乎是做外汇的机构。然后他们的Leader让他们找2000个做金融，理财方面的联系人的电话。 这个数据的意义可能不仅仅是复制一个点评，而是因为点评本身不出售符合某种聚合要求的数据，就导致了这种抓取需求的出现。 |
 |
23
wuyadong 2014-01-03 12:33:46 +08:00
我们拿到了点评的全网数据，cookie，代理，抓取间隔，注意这些东西，就能抓到了。
|
 |
24
imcj 2014-01-03 12:42:29 +08:00
抓到了以后提供一个公开的API给大家读吧。
|
 |
26
wangtao 2014-01-03 13:28:21 +08:00
尽量模拟用户访问，不让点评觉得你是个机器人。。
|
 |
29
likuku 2014-01-03 14:14:28 +08:00 1
@wangtao 同意的说~ 既然「这就是中国式嘛，想省工人录数据。而且VC和天使都是看数据量和用户量的，不在意清楚你数据那里来的。」 那么自己作机器人程序完全凭空捏造就好了。
|
 |
30
zencoding 2014-01-03 16:52:23 +08:00 via Android
伪造蜘蛛也不行吗？那就上Tor
|
 |
31
pythoner 2014-01-03 17:00:35 +08:00
建议从移动客户端入手。比如iphone/安卓 app,比如网站手机版
|
 |
32
ibolee 2014-01-03 17:17:42 +08:00
不知道你这是个什么情况
之前采集过百度知道。用了一个专属asdl网线，2M，采集被屏蔽后，重启路由器自动获取新IP 如此周而复始，周而复始。。。 |
 |
33
yanng 2014-01-03 18:35:46 +08:00 via iPad 1
感觉点评的立场已经非常明确了，不让采。为什么还去采呢？别作恶。
|
 |
34
dingyaguang117 2014-01-03 19:48:32 +08:00
去年抓过点评美食的几十万POI数据，大概1秒一个，5台服务器一起爬的
|
 |
35
the13matrix 2014-01-03 23:00:51 +08:00
不建议楼主买代理，那可能是黑客玩剩的，小心背黑锅。
我有2w只鸡，用i2p控制的，全部开出口代理不难，但速度极慢。5秒一个请求就不错了。 |
 |
36
powerfj 2014-01-03 23:47:04 +08:00
很不解，如果一秒钟一个的话，那对于比较大的公司，代理出口上网的话，点评不就上不了了？
|
 |
37
underone 2014-01-04 01:37:52 +08:00
点评的开放平台不能满足获取数据的需求吗……
|
 |
38
virushuo 2014-01-04 04:21:11 +08:00 via iPad
@Livid 抓数据通常不会为了复制原站，而是做一些其他用途。比如用来监控上海饭馆新开业数量和倒闭数量什么的，不是很有趣？
|
 |
40
bengol 2014-01-04 08:14:23 +08:00
难道lz不做压力控制？
|
 |
42
colincat 2014-01-04 10:28:47 +08:00 1
多线程 多机器 随机延迟5-10秒，通过不断变换IP每采集100个换一次IP，不断重复上述过程，采集需要不断的测试。还有很多策略不宜公开，反正逆向思维，如果你做这些网站如何防范，然后做出对应的策略，基本上没有不能采的站。
吼吼 ~ 我发现我对各家的策略都很熟悉了，常年采集各大互联网网站，基本都被我攻陷了~ |
 |
44
freewizard 2014-01-04 16:12:58 +08:00 2
即使不获得任何商业利益，抓取大众点评网站数据明确违反了他们的许可协议
http://www.dianping.com/aboutus/zhishichanquan.html http://www.dianping.com/aboutus/useragreement 肯定有民事诉讼的风险 同时如在中国境内抓取或提供抓取工具也有触犯刑法修正案（七）的可能。 http://www.gov.cn/flfg/2009-02/28/content_1246438.htm |
 |
45
zack 2014-01-04 20:01:28 +08:00
采集数据这件事情本身真没有什么值得练手的，除非是想研究更尖端的爬虫数据。如果是要做一些数据分析的话，采样一些数据就够了，没必要去钻研那些反抓取的策略，那些东西来来回回也不过就是那几个套路，其实没什么乐趣，也不是什么值得好奇的问题，太多人天天在用粗糙的手法做这样的工作了。
|
 |
47
oldcai 2014-01-06 20:42:18 +08:00
@freewizard “提供专门用于侵入、非法控制计算机信息系统的程序、工具，或者明知他人实施侵入、非法控制计算机信息系统的违法犯罪行为而为其提供程序、工具，情节严重的，依照前款的规定处罚。”
抓取好像不算侵入、非法控制 |
|
48
freewizard 2014-01-07 02:39:34 +08:00 1
@oldcai “采用其他技术手段，获取该计算机信息系统中存储、处理或者传输的数据”
|
|
49
oldcai 2014-01-07 11:16:43 +08:00
@freewizard 受教。
|
|
51
pc10201 OP @lazybios Fiddler 跟踪 Android 数据包 http://www.cnblogs.com/bencalie/archive/2012/02/27/2369741.html
|
 |
52
keven 2014-03-23 19:48:17 +08:00
目前貌似只有“云采集”对比较有效，云采集就是利用庞大的云端计算机集群来采集，国内有个八爪鱼采集器，有这种技术，而且还对采集速度有智能调控。
|
 |
54
reall3116 2015-01-15 17:56:41 +08:00
@pc10201 楼主最后有什么好的解决方法么？我一直都在用相关的工具来拿电商的评论，被禁掉真是最仁慈的反爬虫策略了…… 就算是每次请求都延迟或者换IP，当数据量相当大的时候时间成本都是不可想象的
|
 |
55
dgivan 2016-09-18 15:42:23 +08:00
每一，别一天干掉一个站，慢点爬，设置下载延迟
第二，修改请求头，浏览器 第三，用高质量代理。企业建议用：阿布云代理等等 第四，禁止 Cookie 第五，分布式爬取 可以用下这个代理： http://www.abuyun.com |
Select Language