web-crawler - 网络爬虫 http 请求的正确礼仪

Question

我有一个简单的网络爬虫，可以从网站的站点地图中请求我需要缓存和索引的所有页面。在多次请求之后，该网站开始提供空白页面。

除了指向他们的站点地图的链接之外，他们什么都没有robots.txt，所以我认为我没有违反他们的“规则”。我有一个描述性标题，可以准确链接到我的意图，并且我抓取的唯一页面来自他们的站点地图。

http 状态码都还可以，所以我只能想象它们在短时间内阻止了大量的 http 请求。请求之间的合理延迟量是多少？

是否还有其他我忽略的可能导致此问题的注意事项？

Answer 1

每个站点都有不同的爬虫和它寻找的滥用特征。

任何爬虫的关键是模仿人类活动，并遵守 robots.txt。

详尽的爬网会绊倒一些网站，无论你走多慢，它们都会让你关闭，而一些主机不介意爬虫快速拉动并一次性吸走所有内容。

• 通常，您不希望请求页面的速度超过每分钟 6 个（大约人类速度）。
• 按照网页上的可见性顺序，您会更安全地跟随链接。
• 尝试忽略网页上不可见的链接（很多人使用蜜罐）。

如果一切都失败了，请求的速度不要超过每分钟一页。如果网站以这种速度阻止您，请直接与他们联系 - 他们显然不希望您以这种方式使用他们的内容。

Answer 2

我猜维基百科对这个话题有很好的参考。服从他们，为了礼貌，多一点。

例如，我可能会以每秒一击的速度最大化连接速度，否则我会冒着无意的 DoS 攻击的风险。