PornHub 爬蟲

2018-11-06 14:19:49 +08:00
 timliu22322266

目前 java 很少人分享跟實作爬蟲, 分享下目前遇到的狀況跟心得

1.該網站若連續訪問多次會進入一個空白頁, 該頁面會運算下一個頁面的 cookie 此時的 httpstatus 為 200 (已解決, 使用 java 讀取頁面後 run javascript 程式碼計算出來) 2.若連線短時間過多, 會被 server 檔 目前只能降低連線次數!!? 或是用個 proxy(找不到相關討論)? 3.若有爬虫高手想请问你们怎么防止重复爬爬过的网站

GITHUB LINK.

支持的朋友麻煩幫我點個星, Thanks~

已實作完畢的功能:

1. h2xSpirngDB 纪录已攀过的网站
2.config.properties 可选择不进行下载(單存資料蒐集, 可分析數據!?)
3.搜寻页面可查看数据库资料```


目前需要方向, 還未實作的功能:
1.Java deep learning 对一些资料做出分析整理(这里完全没有概念...预计要 2~3 周时间才能做到了)
2.如上提到的 proxy request(如何實作還不清楚)
2224 次点击
所在节点    程序员
6 条回复
chanchan
2018-11-06 17:04:58 +08:00
PH?我石更了
JCZ2MkKb5S8ZX9pq
2018-11-06 17:08:20 +08:00
虽然以前也爬过 mgs,为成人展选嘉宾找数据参考,后来做运营设计也参考过。
但这玩意儿上 github 已经很有勇气了……我是没勇气点赞啦……
shenxgan
2018-11-07 18:43:08 +08:00
爬的过程中,楼主的脑子里只有代码吗?
timliu22322266
2018-11-08 00:00:34 +08:00
@shenxgan 老司机~ 够专业 XD.
timliu22322266
2018-11-08 09:48:28 +08:00
Pornhub 用页面的 javascript 计算出下一次请求的 cookie 值,
所以无法单纯使用请求拿到这组键
目前用 java 读取该页面的公式及参数运算,再放进 cookie 中
429 的错误已解决,目前稳定爬资料一晚。
unmois
2018-11-08 18:29:47 +08:00
憋说了 忍不住了

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/505013

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX