您的位置:首页 > 新闻资讯 >文章内容
代理IP网络爬虫如何控制采集速度?
来源:互联网 作者:admin 时间:2019-11-20 09:39:46

  大家知道在大数据时代,每天互联网上进行得最频繁的一个操作是什么吗?答案其实已经非常呼之欲出了,就是用代理IP进行网络爬虫抓取,这个动作每时每刻都在进行。


  我们都知道对于爬虫的速度,并不是越快越好的,采集的速度越快,越是容易被发现,也就是说越容易被封。那么如何避免这个问题呢?如何合理的控制爬虫采集速度?


  我们首先来了解下关于爬虫采集速度过快会导致什么问题:


  1、对于我们来说,抓取速度太快将导致致服务器禁止访问,从而丢失大量有效数据,甚至需要重新抓取。


  2、如果速度太快,将给服务器造成过大的负载;控制采集速度,对于目标网站来说是一种礼貌。


  那么如何合理的控制爬虫采集速度,才能使它不至于太快呢?


  通常情况下,在每个页面抓取之间设定较大的延时等待以限制最大访问频率,可以保证既不会给服务器造成过重负担,也不会因访问太频繁而被服务器禁止,然而这样的方法将导致网络利用率低,抓取速度慢,对于大量网页的抓取任务来说,往往是无法忍受的。

  

爬虫如何控制采集速度

  上图是一个简化的理想模型,可以很好的说明这个问题,假设某网站允许的最大访问频率为6页/分钟,于是最小时间间隔为10s,这个时间要通过很多次重复试验来确定。网络流畅时每个网页读取时间为0.5s,为了保证不被服务器屏蔽,至少要等待9.5s的间隔时间才继续抓取下一个页面,这个9.5s的间隔时间是固定的,即使网络较差时也要等待这么长的时间。网络较差时,网页读取时间为9.5s,再延时等待9.5s,于是每个网页的读取时间变为19s,几乎是网络流畅时的两倍。而实际上网络较差时的理想情况下,只需要等待0.5s,这时便保持和网络流畅时相同的抓取速度,由此可见这种限制最大速度的方法是很低效的。


  另外延时等待时间对抓取频率的影响是很模糊的,延时1s时抓取频率是100页/分钟,那么延时10s就是10页/分钟吗?很难确定,尤其是在复杂的网络环境中。


  要改进上述方法,一种很自然的解决方案就是:使等待时间动态变化,即等于最小时间间隔减去网页读取时间,这样就能保证网页平均抓取时间在网络流畅和网络较差时都为最小时间间隔。这种方法对于单线程的爬虫访问小规模网站来说也许可行,但在多线程分布式的爬虫访问大规模网站时,整体上的抓取时间由许多并行的抓取任务共同决定,并且各种异常情况(页面无效或者连接超时)使得抓取时间更加不可计算,这种方法就显得相当笨拙了。


  综合考虑各种因素,显然我们需要一种模糊的,不需要精确计算的方法来控制爬虫抓取速度,而且这个速度是很直观的以频率(页/分钟)来表示——PID控制算法就是其中一种。PID控制器控制爬虫速度的原理简单来说就是:速度快了,增加延时时间;速度慢了,减小延时时间。


  使用代理IP能够帮我们解决爬虫中IP受到限制的问题,但我们还是要注意分析不同网站的反爬机制。


相关文章内容简介
推荐阅读
  • 15 2019-04
    简单介绍搭建IP代理池的实现过程

    简单介绍搭建IP代理池的实现过程,有时候可能大家并不用搭建IP代理池的,因为很多企业都使用了HTTP代理,可以直接使用,无须自己搭建并检测的,但了解一下也无妨,万一有天要用到呢?

  • 13 2019-06
    直播行业为何要使用代理ip?

    直播行业为何要使用代理ip?现在直播的流量比较大,直播营销也是非常的流行的,有些主播为了自己自己直播间人气增加效果,不得不去做些投机取巧之人去做一下,协议人气,也就是俗称人

  • 10 2019-06
    切换IP地址返回错误码

    切换IP地址返回错误码,比如出现806和807错误码,这是怎么回事呢?有时候电脑转换IP时会出现806、807等错误问题,通常是由本地网络或或本地路由器导致的,那么如何解决呢?

  • 01 2019-06
    代理IP可用率怎么测试?

    代理IP可用率怎么测试?很多商家都号称自己的代理IP可用率非常高,这到底是不是真的呢,我们可以进行测试下的。

  • 24 2019-07
    免费http代理怎么设置使用?

    免费http代理怎么设置使用?在网上直接找个免费http代理使用很容易的,代理,也称网络代理,是一种特殊的网络服务,允许一个网络终端(客户端)通过这个服务与另一个网络终端(服务器)

  • 12 2019-11
    使用代理IP抓包遇到问题如何解决?

    除了用代理IP来进行爬虫,你还知道代理IP能够用在什么地方吗?其实代理IP还能够帮助我们进行抓包工作噢,接下来跟着机灵代理来一起了解一下。

在线咨询
大客户经理
大客户经理
1829380381
13316264505

大客户经理微信

微信公众号

微信公众号

回到顶部