爬虫抓取速度自适应问题

[SlipStupig]

之前都是抓取大型网站，现在抓取一些小型网站，出现把对方给抓死了（并发数 100 多吧），有什么办法能让抓取速度能够自适应，比如：对方是淘宝，开足马力去抓，如果对方是个小网站，能自动测出一个最合适的请求速度去抓取

我并不是要区分网站域名，而是针对不同机器性能和带宽能实现一个自适应抓取的速度，至于对方有反抓取措施是另外一回事情

推荐查询 alex ，这样会给我造成额外的流量浪费，而且搞不好，还有可能抓取被封

[alexapollo]

看看 TCP 窗口怎么滑的，非常类似

[anexplore]

能够礼貌一些吗？

[VicYu]

令牌桶 https://en.wikipedia.org/wiki/Token_bucket

[stcasshern]

想知道对方淘宝，怎么保证开足马力不会被封。。

[binux]

从简单到复杂有非常多种办法，就看你有多少时间和资源去做这个事情了

[em70]

用超级 ping 检测，如果一个域名存在多个 IP 就是大站，只有一个 IP 就是小站

[SlipStupig]

@binux 能说说具体方案吗？

[SlipStupig]

@anexplore 我哪里有不礼貌的地方，请您指出，我一定改正

[binux]

@SlipStupig 能说说你有多少时间和资源吗？

[SlipStupig]

@binux 时间很充足

[tSQghkfhTtQt9mtd]

@em70 Anycast 哭晕在厕所

[SlipStupig]

@VicYu 这个是限制整体带宽去跑，我要做的是同时抓取 100 个网站，这 100 个网站的并发数都是不一样的

[binux]

@SlipStupig 那你可以统计待抓链接量和上一天的平均响应时间，尝试放大并发，一天之后看平均响应时间是否有变化。没有就继续加大。

[binux]

@binux 响应时间和错误率

[SlipStupig]

@binux 这个不太现实，我抓取的网站是不固定的，功能跟百度蜘蛛一样，链接是所有网站放在一个队列里面，至于上一天请求，如果我第一次抓取那个网站如何得到上一天请求？

[binux]

@SlipStupig
分站点统计都做不到吗？
你不是说时间很充足吗。。这点数据积累都没有？遇到新网站的概率才多少。。从一个初始值开始做就行了啊。

所以我问你有多少时间和资源做这件事啊，你看，我给你一个时间很多的方案，你又说不行。

[SlipStupig]

@binux 每天都又大量新网站，现在已经抓死了好几个站了，基本上不敢抓了

[menc]

@alexapollo 这位仁兄说的是正解，为什么不借鉴一下呢。

[shiny]

赞同楼上和一楼

[SlipStupig]

@menc 感谢，我也在研究看怎么实现
@shiny

[binux]

@SlipStupig
如果是这样
首先，你的系统必须得支持分站点压力控制吧。
然后抓之前，先看看对方站点有多少 IP ，查一下站点排名，流量，然后就能定一个差不多的抓取压力了。

[xiamx]

也可以从 TCP congestion control 算法寻找灵感

[dphdjy]

能把别人抓死，太缺德了！！不看协议吗？
遇到这种人，我一般直接把数据库扔给他。。。

[lianyue]

看 Alexa 排名

[crysislinux]

我一般是有个 client 数组，抓取成功率高就增加 client 的数量，成功率低就减少

[tuutoo]

每个网站设置一个 sleep 值，设定数据超时的值 比如 1 分钟 就给这 sleep 值+30 秒，直到不出现超时情况。

[tuutoo]

遇到超时时就加网站对应 sleep 值。

[tscat]

我觉得楼上有人说你能礼貌点。。。应该是说，对网站礼貌点吧。。

[onion83]

可以模拟一下退火算法，从服务器响应速度动态调整抓取频率，以前我有看过相关文章，可惜可以找不到了....

[anyforever]

天天研究抓站的，我都觉得很恶心，跟小偷有什么区别？

[SlipStupig]

@anyforever 今天才发现 google 和百度是靠抢劫起家的啊

[SlipStupig]

@tuutoo 第一次抓取是未知的，如果对方能承受，速度就明显下降了，如果是这样预设值的方式的话，不如设置级别去减少

[SlipStupig]

@onion83
@xiamx 感谢两位，我好好研究一下

[fivesmallq]

多个队列随机投放，拿到 url 根据 host 一致性 hash 抓取

[SlipStupig]

@fivesmallq 这样能控制速度？

[fivesmallq]

不好意思，没看清楚， redis 里存放每个 host 对应的等待时间，抓一次，睡眠几秒这样。 然后每次抓取的时候，记录响应时间，到晚上 12 点算一下平均数，第一次直接存放，之后和之前的对比，如果响应时间变长，等待时间就加，否则减，等待时间的变化可能是 1,2,4,8 这样

[SlipStupig]

@fivesmallq 抓取一次等几秒那就不会出现一个抓取自适应的问题，我等足够长的时间就行，问题是我每天都要抓取大量新的网站，之前我是完全不知道的，也就是我每次抓取一个新站点基本上都在等，这样会导致抓取特别慢。
按照你的方法，我还多了一个新挑战，我假设一个非常乐观的情况，当我收录网站在 10 万级别的时候，假设我每个站点的快照内容是 100 个 URL ，那么我得存 1000 万这样的响应值，然后分批计算他们的平均响应值....这个成本有点高啊！

[fivesmallq]

@SlipStupig 只是一个思路而已，你可以自己扩展，新网站你可以设定一个比较低的初始值，响应值你也可以分阶段计算啊。自己再多想想，完善下。

[fcicq]

别说并发 100, 对同一个 IP 每秒 10 个请求以上你就是个正规爬虫很多网站站长都不愿意. 楼主如果不能给人家的网站送流量去, 就老实的 10 秒间隔抓一页, 每天 5000 个页面封顶比较好. 先基本解决页面的排名问题再正反馈的加速抓取.

[SlipStupig]

@fcicq 觉得可行

[am241]

延迟上一次的响应时间

[binux]

连查一下 Alexa 都会流量浪费，存 100 万都成本高。。你资源到底多么少啊。。我怀疑你根本没能力给一个非共享的正经网站抓挂了。
看来我一开始就问你有多少时间和资源真是问对了。

[SlipStupig]

@binux 首先感谢你积极的回复，你这种质疑我本来不想回你的，因为你怀疑我有没能力没任何意义。
我只是想知道用什么算法或者一些其它比较好的方法会比较好，我认为这种碎片化的方案带来额外的查询和存储，如果所有的功能都是这种零散代码维护起来我不认为会有什么好，所以这种显然不是最优的方案带来的额外付出，在我看来多少都是浪费。

[wweir]

好久没搞爬虫了，不着能从 TCP/http 的角度解决这个问题，绝对是大大的支持。先 mark 一下。

顺便提下，正常的 http 包头都有时间戳，可以通过解析时间戳冲某种成都上得出网站的相应速度。

[binux]

@SlipStupig 压力控制和挖掘本来就可以独立为一个或者多个模块，你居然称之为「零散代码」，你的系统到底有多小？

既然你说你的爬虫「功能跟百度蜘蛛一样」，我告诉你的第一个方案就是「百度蜘蛛」所用的。
当然，根据你爬虫的规模，可以使用简化的方法。但是根据是否需要快启动，你手头永远的数据，是否要防 ban ，你永远的 ip 池大小，以及你要达到的效果；方法实在是太多。你是否真的想清楚了？

[donglemon]

@em70 不一定吧，如果使用了加速的呢，就有多个 IP 啊,如下链接
http://www.wangsutong.com/wstCeba/ping/ping-test!result.action?id=9ead6ddd14b74211a94883801868bff8
http://www.wangsutong.com/wstCeba/dns/dns-test!result.action?id=9d3939f81c4143929710d97e49595c54

[anyforever]

@SlipStupig 他们起码会反馈流量回来给你。算的上互惠互利。