返回
頂部
頂部
百度蜘蛛是大數據時代的重要角色，發揮著重大的作用。百度蜘蛛在從首頁登陸后抓取首頁后調度會計算其中所有的連接，返回給百度蜘蛛進行下一步的抓取連接列表，百度蜘蛛再進行下一步的抓取，通過百度蜘蛛下載回來的網頁放到補充數據區，通過各種程序計算過后才放到檢索區，才會形成穩定的排名。
但是，通往成功的路上總是布滿荊棘，目標網站總是設置各種限制來阻止百度蜘蛛的正常工作。那么，目標網站一般是通過哪些方式來限制百度蜘蛛呢，百度蜘蛛又該如何突破這些限制呢？
網站優化外包注意很多網站，可以先用代理ip+ua（ua庫隨機提取）訪問，之后會返回來一個cookie，那ip+ua+cookie就是一一對應的，然后用這個ip、ua和cookie去采集網站，同時能帶上Referer，這樣效果會比較好。
有些網站反爬取的措施應該比較強的。訪問之后每次清除緩存，這樣能有效規避部分網站的檢測；但是有些網站更嚴格的判斷，如果都是新鏈接從ip發出，也會被判定拒絕（直接403拒絕訪問），因此有些百度蜘蛛客戶會去分析網站的cookies緩存內容，然后進行修改。
瀏覽器的標識（User-Agent）也很重要，用戶都是一種瀏覽器，也是容易判斷作弊，要構造不同的瀏覽器標識，否則容易被判定百度蜘蛛。用代理訪問之后，瀏覽器標識需要修改，建議瀏覽器用phantomjs框架，這個可以模擬其他瀏覽器的標示（需要標示庫的話，可以通過API接口實現各種瀏覽器的采集模擬。
加密：網站的請求如果加密過，那就看不清請求的本來面目，這時候只能靠猜測，通常加密會采用簡單的編碼，如：base64、urlEncode等，如果過于復雜，只能窮盡的去嘗試。
本地IP限制：很多網站，會對百度蜘蛛ip進行限制，這時候要么使用代理IP，要么偽裝ip。
