BaiduCrawler

爬取百度搜索结果中c-abstract里的数据，并使用不断更换代理ip的方式绕过百度反爬虫策略，从而实现对数以10w计的词条的百度搜索结果进行连续爬取。

获取代理ip策略

• 1. 抓取页面上全部[ip:port]对，并检测可用性（有的代理ip是连不通的）。
• 2. 使用"多轮检测"策略，即每个ip要经历N轮，间隔为duration连接测试，每轮都会丢弃连接时间超过timeout的ip。N轮下来，存活的ip都是每次都在timeout范围以内连通的，从而避免了"辉煌的15分钟"效应。

爬取策略

有3个策略：

• 1. 每当出现download_error，更换一个IP
• 2. 每爬取200条文本，更换一个IP
• 3. 每爬取20,000次，更新一次IP资源池

上述参数均可手动调整。 目前ip池的使用都是一次性的，如果需要更多的优质ip，可参考我的另一个项目Proxy,它是一个代理ip抓取测试评估存储一体化工具，也许可以帮到你。

TODO

• 1. 对因网络原因未爬取的词进行二次爬取，直到达到用户指定的爬取率
• 2. 对爬取速度快的优质ip增加权重，从而形成一个具有优先级的ip池
• 3. ip评估改写成多线程

使用

准备工作

pip install requests
pip install lxml
pip install beautifulsoup4

git clone https://github.com/fancoo/BaiduCrawler
cd BaiduCrawler

Python 2.7

python baidu_crawler.py

Python 3

本程序仅在win版本的Python3.6测试通过。

cd Py3
python baidu_crawler.py

2017/5/4更新

• 原有的判断ip是否有效的网站失效，已替换。
• 增加更多代理ip网站。
• 提高可配置性。

2017/6/13更新

• 新增抓取的代理IP数据存到MySql中 下次先从库中读取 再从网站抓取

2017/6/18更新

• 修改了部分BoBoGithub提交的PR，并重构了ip_pool.py的代码。
• 目前这个版本其实只将有效ip保存到数据库，没能实现ip质量评优以及爬取的多线程，因时间精力有限，考虑未来再加入。

2017/7/25更新

• 增加对Python3.6的支持。