c# - 防止自定义网络爬虫被阻止

Question

我正在创建一个新的网络爬虫，用于C#爬取一些特定的网站。一切顺利。但问题是某些网站在某些请求后阻止了我的爬虫 IP 地址。我尝试在我的抓取请求之间使用时间戳。但没有奏效。

有什么办法可以防止网站阻止我的爬虫？像这样的一些解决方案会有所帮助（但我需要知道如何应用它们）：

• 模拟 Google bot 或 yahoo slurp
• 使用多个 IP 地址（事件假 IP 地址）作为爬虫客户端 IP

任何解决方案都会有所帮助。

Answer 1

如果速度/吞吐量不是一个大问题，那么最好的解决方案可能是安装Tor 和 Privoxy并通过它们路由你的爬虫。然后你的爬虫会有一个随机变化的 IP 地址。

如果您需要抓取不想抓取的网站，这是一种非常有效的技术。它还通过使爬虫的活动很难追溯到您来提供一层保护/匿名性。

当然，如果网站因为速度太快而阻止了您的爬虫，那么也许您应该稍微限制一下它的速率。

Answer 2

这就是您阻止伪造者的方式（以防有人在搜索如何阻止这些页面时发现此页面）

在 apache 中阻止该技巧：

# Block fake google when it's not coming from their IP range's 
# (A fake googlebot) [F] => Failure
RewriteCond %{HTTP:X-FORWARDED-FOR} !^66\.249\.(6[4-9]|[78][0-9]|9[0-5])\.
RewriteCond %{HTTP_USER_AGENT} ^Mozilla/5\.0\ \(compatible;\ Googlebot/2\.[01];\ \+http://www\.google\.com/bot\.html\)$ [NC]
RewriteRule .* - [F,L]

或者为了完整起见在 nginx 中的一个块

   map_hash_bucket_size  1024;
   map_hash_max_size     102400;

   map $http_user_agent $is_bot {
      default 0;
      ~(crawl|Googlebot|Slurp|spider|bingbot|tracker|click|parser|spider)$ 1;
   }

   geo $not_google {
      default     1;
      66.0.0.0/8  0;
   }

   map $http_user_agent $bots {
      default           0;
      ~(?i)googlebot       $not_google;
   }