動態(tài)IP模擬器 

 

1. 控制爬蟲速度 

 

1) 初始化：設(shè)置初始延遲時間 T0 和比例系數(shù) Kp（典型值 -0.05）；  [ h]

2）目標(biāo)設(shè)定：設(shè)置爬蟲速度S，如每分鐘40頁；  

 

3）測量：統(tǒng)計每分鐘n個爬蟲爬取的網(wǎng)頁數(shù)，可能是32，也可能是100；  

 

4）Compare：比較n和S的大小；  

 

5) Execute：如果n大于S，則表示速度太快，所以增加延遲； 如果 n 大于 S 如果它很小，則表示太慢，因此減少延遲。  

 

該方案的公式如下： 

 

Tk=Tk-1+Kp*(Sn) (3.1)

 

其中k=1, 2, 3 。  .. , Tk 是為第 k 次設(shè)置的延遲時間。  

 

不要被表達式嚇到了，其實意思就是步驟5）中描述的執(zhí)行過程：速度太快（Sn小于0，則Kp*(Sn)為正）  , 增加延遲時的速度（Tk 大于Tk-1）； 速度太慢（Sn大于0，Kp*(Sn)為負(fù)），減小延遲（Tk小于Tk-1）。  

 

假設(shè)初始延遲時間T0為1.0s，比例系數(shù)Kp為-0.05，爬行速度S設(shè)置為40頁/分鐘。 如果一個爬蟲爬取的網(wǎng)頁數(shù)為n=100，根據(jù)公式3.1計算的延遲值為T1=T0+Kp*(Sn)=1.0+(-0.05)*(40-100)=4.0； 下一次可能的測量值n=30，計算出的延遲值T2=4.0-0.05*10=3.5。  

 

合理控制履帶速度非常有必要。 如果爬行速度快，增加延遲時間； 如果履帶速度較慢，則減少延遲時間。  

 

二、提高爬坡蠕蟲速度

 

首先要確定當(dāng)前的瓶頸在哪里，網(wǎng)絡(luò)io，磁盤io，還是cpu。 只有這樣，才能詳細分析具體問題。  

 

如果編程能力是瓶頸，添加多線程特性是最劃算的，而且不需要太多開發(fā)時間。 不過后續(xù)的問題可能比較多，幾行代碼也解決不了。  

 

分布式解決cpu瓶頸，更多節(jié)點可以處理分布式任務(wù)。  

 

云服務(wù)器解決本地帶寬瓶頸（一般100MB計劃提供），定期定量購買可以節(jié)省成本（畢竟搜索引擎不常開），目標(biāo)服務(wù)器帶寬限制 （基于IP）由跨區(qū)域服務(wù)器解決。 云服務(wù)器提供商有多個機房。 分布式節(jié)點所在的機房可以緩解這個問題。 最好提供動態(tài)IP。  

 

以上介紹了控制爬行速度和提高爬行速度的方法，僅供參考！ 建議在抓取數(shù)據(jù)的時候注意不要給目標(biāo)網(wǎng)站施加太大的壓力。 在爬取過程中，如果遇到IP限制問題，可以使用代理IP突破限制，提高采集速度。 使用代理IP，選擇IP模擬器代理，千萬IP池滿足爬蟲需求。