搜外网>搜外问答>问答页面

泛域名解析网站如何防止被百度爬虫爬死 悬赏88元 已结束

有个网站,支持泛域名解析,有点类似58同城,每个城市一个二级域名,站内有个重要的页面是一个列表页面,有很多筛选条件,这些条件的组合会产生无穷个网址,比如

http://bj.mydomain.com/list?a=1&b=2&c=abcd

http://sz.mydomain.com/list?a=5&d=8

然后百度爬虫拼命的爬取这些不同的网址,结果网站承受不住爬取压力,导致网站几乎打不开,正常用户无法访问,请问有什么办法解决这个问题吗?

追加问题
    15 人参与回答
yy 等 1 人赞同该回答

换服务器就行了,归根揭底就是服务资源配置的问题,如果你这个问题解决了,网站打开的速度快了也就行了,毕竟以后你网站的内容会越来越多

刘振勇
刘振勇 · wsjpg纹身图案
王者之风 等 1 人赞同该回答

百度蜘蛛不会把你网站爬死的,有可能是你服务器太小了,用户访问负荷超过服务器的承载量,建议升级下服务器。另外你说的生成无数个页面的问题,可以用Robots文件禁止让百度蜘蛛爬去一些没必要的页面,比如内容基本上一样的页面。而且像这种动态的链接,要不伪静态化,要不禁止掉。我建议是禁止掉

莫韩 等 1 人赞同该回答

试试集群部署呗,这个服务器被爬死,自动转到下一台服务器。

崔家大院
崔家大院 · 网站诊断、建站、快速排名
小勺子 等 1 人赞同该回答

这个跟你服务器有关系  负载不了那么多  你要是win主机的话是可以扩大服务器配置。你的页面太多了  服务器奔溃了。所以你要配置好服务器

第一步,注册并登录百度站长平台

  第二步,提交网站并验证归属,具体验证网站归属方法可见帮助文档

  第三步,选择左侧“站点管理”

  第四步,在已认证归属的站点列表中选择需要查询的站点

  第五步,选择左侧“抓取压力反馈”

  第六步,得到站点抓取压力曲线图及压力调整入口页面

  第七步,选取站点压力反馈,调整滑块至您想要压力值,提交反馈

  (注:当前数值,是网站当前在百度的有效抓取压力上限值。压力上限是指一天内baiduspider抓取的最多网页数量。)

  第八步,查看反馈记录,百度会以最新的反馈信息为准,对网站的抓取压力进行调整


奋斗小青年 等 1 人赞同该回答

1、首先来说网站被百度爬虫爬死是不太可能的,你这个说法不太正确;

2、域名泛解析,网站产生了大量的页面,导致网站打不开,这个是和你的服务器有关系,你可以选择换一个内存大点的服务器以及服务器的带宽要增加,如果不还的话,那就升级一下服务器的配置;

3、这种情况可以把百度CDN加速开启,这样对网站也是有帮助的。

学习学习

怎么叫网站承受爬取压力,叫错了吧

子南
子南 · 10年SEO,目前任何环航报关营销专员!

可以在站长工具里,写抓取的频率,一般的网站是抓取的频率越高,网站越好,但是太大的网站,抓取太高,也是会影响速度的,百度站长工具是可以调整抓取频率的。

化大阳光
化大阳光 · 北京化大阳光科技有限责任公司

你换个好的服务器就好了

西德SEO
西德SEO · 16年百度、谷歌优化专家,你有问题我解决 扣:826854885

配置优点低服务器建议升级

这个百度能把服务器爬死,跟百度没有关系吧,应该是服务器处于性能瓶颈了。考虑升级硬件配置,或者优化中间件参数配置。

内存升级到16g了。另外分析了web服务器访问日志的,确实80%的访问来自百度爬虫,而且是高频的,一下就将网站爬慢了。之前有截图的。

这个不用怀疑,这时在云主机商的后台屏蔽百度爬虫的ip,网站立即恢复正常。而且在百度站长平台提交了问题,对方回应是不解决问题的,说什么设置爬虫访问频率,但是网站是泛域名解析啊。

话说爬虫为什么会陷入循环呢?答案很简单,当我们重新去解析一个已经解析过的网页时,就会陷入无限循环。这意味着我们会重新访问那个网页的所有链接,然后不久后又会访问到这个网页。最简单的例子就是,网页A包含了网页B的链接,而网页B又包含了网页A的链接,那它们之间就会形成一个闭环。

那么我们怎样防止访问已经访问过的页面呢?答案很简单,设置一个标志即可。整个互联网就是一个图结构,我们通常使用DFS(深度优先搜索)和BFS(广度优先搜索)进行遍历。所以,像遍历一个简单的图一样,将访问过的结点标记一下即可。

爬虫的基本思路如下:

    根据URL获取相应页面的HTML代码

    利用正则匹配或者JSoup等库解析HTML代码,提取需要的内容

    将获取的内容持久化到数据库

    处理好中文字符的编码问题,可以采用多线程提高效率

爬虫基本原理

更宽泛意义上的爬虫侧重于如果在大量的URL中寻找出高质量的资源,如何在有限的时间内访问更多页面等等。网络爬虫的基本工作流程如下:

    首先选取一部分精心挑选的种子URL;

    将这些URL放入待抓取URL队列;

    从待抓取URL队列中取出待抓取的URL,解析DNS,并且得到主机的ip,并将URL对应的网页下载下来,存储进已下载网页库中。此外,将这些URL放进已抓取URL队列。

    分析已抓取URL对应的网页,分析页面里包含的其他URL,并且将URL放入待抓取URL队列,从而进入下一个循环。

有几个概念,一个是发http请求,一个是正则匹配你感兴趣的链接,一个是多线程,另外还有两个队列。

爬虫难点1    环路

网络爬虫有时候会陷入循环或者环路中,比如从页面A,A链接到页面B,B链接到页面C,页面C又会链接到页面A。这样就陷入到环路中。

环路影响:

    消耗网络带宽,无法获取其他页面

    对Web服务器也是负担,可能击垮该站点,可能阻止正常用户访问该站点

    即使没有性能影响,但获取大量重复页面也导致数据冗余

解决方案:

    简单限定爬虫的最大循环次数,对于某web站点访问超过一定阈值就跳出,避免无限循环

    保存一个已访问url列表,记录页面是否被访问过的技术

1、二叉树和散列表,快速判定某个url是否访问过

2、存在位图

就是new int[length],然后把第几个数置为1,表示已经访问过了。可不可以再优化,int是32位,32位可以表示32个数字。HashCode会存在冲突的情况,

两个URL映射到同一个存在位上,冲突的后果是某个页面被忽略(这比死循环的恶作用小)

3、保存检查

一定要及时把已访问的URL列表保存到硬盘上,防止爬虫崩溃,内存里的数据会丢失

4、集群,分而治之

多台机器一起爬虫,可以根据URL计算HashCode,然后根据HashCode映射到相应机器的id(第0台、第1台、第2台等等)

难点2    URL别名

有些URL名称不一样,但是指向同一个资源。

URl 1  URL 2  什么时候是别名

    默认端口是80

    %7F与~相同

    %7F与~相同

    服务器是大小写无关

    默认页面为 

    ip和域名相同

难点3    动态虚拟空间

比如日历程序,它会生成一个指向下一个月的链接,真正的用户是不会不停地请求下个月的链接的。但是不了解这些内容特性的爬虫蜘蛛可能会不断向这些资源发出无穷的请求。

抓取策略

一般策略是深度优先或者广度优先。有些技术能使得爬虫蜘蛛有更好的表现

    广度优先的爬行,避免深度优先陷入某个站点的环路中,无法访问其他站点。

    限制访问次数,限定一段时间内机器人可以从一个web站点获取的页面数量。

    内容指纹,根据页面的内容计算出一个校验和,但是动态的内容(日期,评论数目)会阻碍重复检测

    维护黑名单

    人工监视,特殊情况发出邮件通知

    动态变化,根据当前热点新闻等等

    规范化URL,把一些转义字符、ip与域名之类的统一

    限制URL大小,环路可能会使得URL长度增加,比如/,/folder/,/folder/folder/……

瑞和橡塑公司
瑞和橡塑公 · 橡胶支座、橡胶止水带、建筑密封胶等桥隧材料生产厂家!

1百度蜘蛛不可能爬死网站的,不然流量百万的不就玩完了

2、网站打不开,是不是服务器或者空间出问题了,建议你换个内存大点的服务器

施先生
施先生 · 资深的SEO/SEM工作者和管理者

网站大不断的生成网址的话是会有很多的问题,导致打不开。下面几点建议希望对你有帮助。

1、根据你网站的程序本身去防止爬取,爬虫也是程序的一种。爬虫是对页面的源文件爬取,如爬取你网站静态页面的html代码。这样的话你可以用jquery去模仿写html,这种方法伪装的页面就很难被爬取了。不过这种要你会写或者给你做网站的人会写。

2、使用Robots.txt文件,比如阻止爬虫爬取一些特定的页面,但是这种效果说不准。

3、基于iptables和shell脚本。例如定义在1分钟内并发连接数超过30个ip为非法,如ip不在白名单内,则加入iptables策略封掉,不过这种并不能完全封掉,而且会有误封。还有一种就是利用做filter和actor对一些有危害的操作记录或是封ip。

SEO培训招生中
188