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 3121 天前的主题，其中的信息可能已经有所发展或是发生改变。
之前都是抓取大型网站，现在抓取一些小型网站，出现把对方给抓死了（并发数 100 多吧），有什么办法能让抓取速度能够自适应，比如：对方是淘宝，开足马力去抓，如果对方是个小网站，能自动测出一个最合适的请求速度去抓取
第 1 条附言 · 2016-05-19 00:36:52 +08:00
我并不是要区分网站域名，而是针对不同机器性能和带宽能实现一个自适应抓取的速度，至于对方有反抓取措施是另外一回事情
第 2 条附言 · 2016-05-19 11:55:22 +08:00
推荐查询 alex ，这样会给我造成额外的流量浪费，而且搞不好，还有可能抓取被封
 |
1
alexapollo 2016-05-18 19:21:44 +08:00  1
看看 TCP 窗口怎么滑的，非常类似
|
 |
2
anexplore 2016-05-18 20:45:23 +08:00
能够礼貌一些吗？
|
 |
3
VicYu 2016-05-18 21:13:19 +08:00
|
 |
4
stcasshern 2016-05-18 21:14:31 +08:00
想知道对方淘宝，怎么保证开足马力不会被封。。
|
 |
5
binux 2016-05-18 21:54:50 +08:00
从简单到复杂有非常多种办法，就看你有多少时间和资源去做这个事情了
|
 |
6
em70 2016-05-18 23:04:23 +08:00 via iPhone
用超级 ping 检测，如果一个域名存在多个 IP 就是大站，只有一个 IP 就是小站
|
 |
7
SlipStupig OP @binux 能说说具体方案吗？
|
|
8
SlipStupig OP @anexplore 我哪里有不礼貌的地方，请您指出，我一定改正
|
|
9
binux 2016-05-19 00:39:22 +08:00
@SlipStupig 能说说你有多少时间和资源吗？
|
|
10
SlipStupig OP @binux 时间很充足
|
 |
11
tSQghkfhTtQt9mtd 2016-05-19 00:43:49 +08:00 via Android
@em70 Anycast 哭晕在厕所
|
|
12
SlipStupig OP @VicYu 这个是限制整体带宽去跑，我要做的是同时抓取 100 个网站，这 100 个网站的并发数都是不一样的
|
|
13
binux 2016-05-19 00:46:02 +08:00
@SlipStupig 那你可以统计待抓链接量和上一天的平均响应时间，尝试放大并发，一天之后看平均响应时间是否有变化。没有就继续加大。
|
|
15
SlipStupig OP @binux 这个不太现实，我抓取的网站是不固定的，功能跟百度蜘蛛一样，链接是所有网站放在一个队列里面，至于上一天请求，如果我第一次抓取那个网站如何得到上一天请求？
|
|
16
binux 2016-05-19 00:53:34 +08:00
@SlipStupig
分站点统计都做不到吗？ 你不是说时间很充足吗。。这点数据积累都没有？遇到新网站的概率才多少。。从一个初始值开始做就行了啊。 所以我问你有多少时间和资源做这件事啊，你看，我给你一个时间很多的方案，你又说不行。 |
|
17
SlipStupig OP @binux 每天都又大量新网站，现在已经抓死了好几个站了，基本上不敢抓了
|
 |
18
menc 2016-05-19 01:30:04 +08:00
@alexapollo 这位仁兄说的是正解，为什么不借鉴一下呢。
|
 |
19
shiny 2016-05-19 01:43:04 +08:00
赞同楼上和一楼
|
|
20
SlipStupig OP |
|
21
binux 2016-05-19 02:39:17 +08:00
|
 |
22
xiamx 2016-05-19 06:21:41 +08:00 1
也可以从 TCP congestion control 算法寻找灵感
|
 |
23
dphdjy 2016-05-19 06:55:09 +08:00 via Android 1
能把别人抓死，太缺德了！！不看协议吗？
遇到这种人，我一般直接把数据库扔给他。。。 |
 |
24
lianyue 2016-05-19 07:31:44 +08:00 via iPhone
看 Alexa 排名
|
 |
25
crysislinux 2016-05-19 07:48:23 +08:00
我一般是有个 client 数组，抓取成功率高就增加 client 的数量，成功率低就减少
|
 |
26
tuutoo 2016-05-19 08:20:17 +08:00
每个网站设置一个 sleep 值，设定数据超时的值 比如 1 分钟 就给这 sleep 值+30 秒，直到不出现超时情况。
|
|
27
tuutoo 2016-05-19 08:20:53 +08:00
遇到超时时就加网站对应 sleep 值。
|
 |
28
tscat 2016-05-19 08:27:02 +08:00 via iPhone 1
我觉得楼上有人说你能礼貌点。。。应该是说，对网站礼貌点吧。。
|
 |
29
onion83 2016-05-19 09:24:13 +08:00 1
可以模拟一下退火算法，从服务器响应速度动态调整抓取频率，以前我有看过相关文章，可惜可以找不到了....
|
 |
30
anyforever 2016-05-19 10:51:50 +08:00
天天研究抓站的，我都觉得很恶心，跟小偷有什么区别？
|
|
31
SlipStupig OP @anyforever 今天才发现 google 和百度是靠抢劫起家的啊
|
|
32
SlipStupig OP @tuutoo 第一次抓取是未知的，如果对方能承受，速度就明显下降了，如果是这样预设值的方式的话，不如设置级别去减少
|
|
33
SlipStupig OP |
 |
34
fivesmallq 2016-05-19 13:40:12 +08:00
多个队列随机投放，拿到 url 根据 host 一致性 hash 抓取
|
|
35
SlipStupig OP @fivesmallq 这样能控制速度？
|
|
36
fivesmallq 2016-05-19 13:46:43 +08:00
不好意思，没看清楚， redis 里存放每个 host 对应的等待时间，抓一次，睡眠几秒这样。 然后每次抓取的时候，记录响应时间，到晚上 12 点算一下平均数，第一次直接存放，之后和之前的对比，如果响应时间变长，等待时间就加，否则减，等待时间的变化可能是 1,2,4,8 这样
|
|
37
SlipStupig OP @fivesmallq 抓取一次等几秒那就不会出现一个抓取自适应的问题，我等足够长的时间就行，问题是我每天都要抓取大量新的网站，之前我是完全不知道的，也就是我每次抓取一个新站点基本上都在等，这样会导致抓取特别慢。
按照你的方法，我还多了一个新挑战，我假设一个非常乐观的情况，当我收录网站在 10 万级别的时候，假设我每个站点的快照内容是 100 个 URL ，那么我得存 1000 万这样的响应值，然后分批计算他们的平均响应值....这个成本有点高啊！ |
|
38
fivesmallq 2016-05-19 14:22:57 +08:00
@SlipStupig 只是一个思路而已，你可以自己扩展，新网站你可以设定一个比较低的初始值，响应值你也可以分阶段计算啊。自己再多想想，完善下。
|
 |
39
fcicq 2016-05-19 14:34:22 +08:00 3
别说并发 100, 对同一个 IP 每秒 10 个请求以上你就是个正规爬虫很多网站站长都不愿意. 楼主如果不能给人家的网站送流量去, 就老实的 10 秒间隔抓一页, 每天 5000 个页面封顶比较好. 先基本解决页面的排名问题再正反馈的加速抓取.
|
|
40
SlipStupig OP @fcicq 觉得可行
|
 |
41
am241 2016-05-19 15:38:32 +08:00 via Android
延迟上一次的响应时间
|
|
42
binux 2016-05-19 15:49:22 +08:00 via Android
连查一下 Alexa 都会流量浪费，存 100 万都成本高。。你资源到底多么少啊。。我怀疑你根本没能力给一个非共享的正经网站抓挂了。
看来我一开始就问你有多少时间和资源真是问对了。 |
|
43
SlipStupig OP @binux 首先感谢你积极的回复，你这种质疑我本来不想回你的，因为你怀疑我有没能力没任何意义。
我只是想知道用什么算法或者一些其它比较好的方法会比较好，我认为这种碎片化的方案带来额外的查询和存储，如果所有的功能都是这种零散代码维护起来我不认为会有什么好，所以这种显然不是最优的方案带来的额外付出，在我看来多少都是浪费。 |
 |
44
wweir 2016-05-19 18:00:27 +08:00 1
好久没搞爬虫了，不着能从 TCP/http 的角度解决这个问题，绝对是大大的支持。先 mark 一下。
顺便提下，正常的 http 包头都有时间戳，可以通过解析时间戳冲某种成都上得出网站的相应速度。 |
|
45
binux 2016-05-19 18:12:03 +08:00
@SlipStupig 压力控制和挖掘本来就可以独立为一个或者多个模块，你居然称之为「零散代码」，你的系统到底有多小？
既然你说你的爬虫「功能跟百度蜘蛛一样」，我告诉你的第一个方案就是「百度蜘蛛」所用的。 当然，根据你爬虫的规模，可以使用简化的方法。但是根据是否需要快启动，你手头永远的数据，是否要防 ban ，你永远的 ip 池大小，以及你要达到的效果；方法实在是太多。你是否真的想清楚了？ |
 |
46
donglemon 2016-05-19 18:18:33 +08:00
|
|
47
anyforever 2016-05-20 09:04:55 +08:00
@SlipStupig 他们起码会反馈流量回来给你。算的上互惠互利。
|
Select Language