一个爬虫的过滤问题

[yumenoks]

在写个爬取 url 的爬虫,原理大概是从一个起始的 url 开始爬,然后获取整个页面的链接地址,然后顺着收集到的 url 进行广泛的爬取,这里面出现 2 个问题没找到合适的办法解决.
1,会爬去到国外去
2,会爬到蜘蛛池(一种泛站程序,可以无限多的生成 N 个域名的网站类似,asd123.123.com assss.123.com 123.234.com)

目前通过判断标题是否是中文来避免是不是爬到国外的站,
还有一个就是放一个黑名单的表.存在就不爬.
但是蜘蛛池的域名实在太多了,也找不到太多规律的东西进行判断.
V 友们友什么好的建议么?

[alanv2]

制定 url 的匹配规则（正则），符合规则的 url 才爬，其他的过滤

[cwjokaka]

设置一个爬取深度

[yumenoks]

@cwjokaka 只爬去一个 url 的主页的链接,

[yumenoks]

@alanv2 开始是直接获取整个页面的链接,然后进行过滤,对 URL 的长度,后缀进行了过滤,
如果设置成 域名带有 WWW 的才保存的话,数量就很少.如果不这样设置的话就会跑到蜘蛛池里面去.所以有点尴尬.

[ClericPy]

国外的有域名就有 ip，有 ip 就有地域吧，一大堆速度超快的 ip 转地域的，淘宝啊搜狐啊腾讯啊
遇到爬虫陷阱爬虫蜜罐或者脏数据混淆等反爬手段，没啥好办法啊，socket 连一下试试域名存在性？控制友好频率上代理池才是正路子，就算撇开是否合法，频率太高会被当作 dos 攻击告你的

[yumenoks]

@ClericPy IP 倒不是瓶颈,不是针对单站爬行的,每个站只会访问 1-2 次而已