Python爬虫-分布式爬虫-2018年我破解天某查和启某宝企业数据爬虫--破解反爬技术那些事情

Python爬虫-2018年-我破解天某查和启某宝企业数据爬虫--破解反爬技术那些事情

  为了深入学习自己的数据挖掘技术，最近在自己用python+mongdb写了一套分布式多线程的天某查爬虫系统，实现了对天某查整个网站的全部数据各种维度的采集和存储，并且根据天某查网页的数据结构建立了19个表来存储19个维度的数据，很多做技术的朋友在爬天某查的时候会遇到以下几个问题，我把我的经历和解决方案分享给大家。（需要爬虫技术交流的朋友欢迎加我qq：2779571288）

1、天某查和启某宝哪一个的数据更难爬呢？

     其实在准备爬天某查数据的时候，我对启某宝、企某查类似的网站分布从数据的完整性和数据的更新及时性分析了，结果个人觉得天某查的数据比其他网站的要完整，数据维度要多一些，数据更新的时候也比较快，所以最后选择了爬取天某查里面的企业数据

2、天某查的19个核心数据维度：

   首先整个网站有主要核心数据有以下19大模块：1基本信息、2法人代表、3主要成员、4股东&出资、5变更记录、6公司年报、7司法风险、8舆情事件、9岗位招聘、10商品信息、11网站备案、12商标数据、13专利数据,、14 作品著作权软件著作权、16对外投资关系、17税务评级、18行政处罚、19进出口信用、20企业评级信用等30个维度的企业数据，如果把这些数据爬下来，并且结构化，实现可以查询可以检索使用，可以导出到excel，可以生成企业报告，那么需要建立数据库来存储这些数据，像这种非结构化的数据我们选择mongdb数据库是最合适的。

3. 采集速度太频繁了，会被封IP问题 怎么解决

  当我们发出去的http请求到天某查网站的时候，正常情况下返回200状态，说明请求合法被接受，而且会看到返回的数据，但是天某查有自己的一套反爬机制算法，如果检查到同一个IP来不断的采集他网站的数据，那么他会被这个IP列入异常黑名单，您再去采集它网站数据的时候，那么就永远被拦截了。怎么解决这个问题呢，其实很简单，没有错用代理IP去访问，每一次请求的时候都采用代理IP方式去请求，而且这个代理IP是随机变动的，每次请求都不同，所以用这个代理IP技术解决了被封的问题。

4  天某查2个亿的数据量怎么存储？需要多少的代理IP

    我在写爬虫去爬天某查的时候，刚开始使用网上的免费或者收费的代理IP，结果90%都被封号，所以建议大家以后采集这种大数据量网站的时候 不要使用网上免费的或者那种收费的IP，因为这种ip几秒钟就会过期，意思就是你没有采集网或者刚刚访问到数据的时候，这个IP就过期了导致你无法采集成功，所以最后我自己搭建了自己的代理池解决了2个亿天某查数据的采集封IP问题。（需要爬虫技术交流的朋友欢迎加我qq：2779571288）