更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

当前位置: 首页 > 技术文章 >
抓取Web of Science经验分享
发布时间:2018-04-15 来源:未知 浏览:

受新加坡某科研机构委托,需要对国内469所高校,156个学科,25年内在www.webofscience.com中的“引文报告”(如下图示例)数据进行采集。检索次数超180万次。



该网站“需要登陆,并且会封账号”,具有很强的典型性,特对本网站的采集经验分享如下:

1. Web of Science必须登陆才能检索,而且同一个账号不能重复登陆,新的登陆会造成同一账号老的会话失效。

2. 同一账号的会话可以多线程使用,不会互相干扰检索结果。

3. 账号可能会被封,被封之后会提示“您帐户的 "漫游" 功能已被禁用”(如下图所示)。这个可能是Web of Science运维人工干预的,在我们的测试过程中,在相同的访问频率下,有的账号只能搜索一两万次就被封了,而有的却能搜索十几万次。在爬虫中我们加入了自动切换账号的功能,如果检测到账号被封则自动换用下一个账号,不需要人工介入。我们总共进行了超过180次的搜索,总共使用了25个账号。





4. 账号每日访问次数有限制,超过之后会提示“Server.IDLimit”之类错误(如下图所示),如果检测到账号被封则自动换用下一个账号,也不需要人工介入。



5. Cookie会不停的变动,每次查询网站都会返回新的Cookie,不能持续的使用老的Cookie(有时效性),否则一段时间后会出现Timeout问题。我们一开始以为是代理的问题,后来经过多次验证是因为Cookie变化了造成的,应该是触发了WAF的防护策略。在我们的爬虫中,如果连续检测到多次出现Timeout问题,爬虫自动重新登陆,即可恢复正常。

6. 每搜索满200次系统会提示“记录本次会话中所有检索的“检索历史” 列表已满”,造成检索失败。所以爬虫中需要每隔200次清空一下搜索结果。

7. 会出现搜索失败的情况,爬虫需要进行重试直至成功。

8. 可以不使用代理IP,我们采集的过程中未发现该系统对IP访问频率有限制。

9. 为了不对系统造成过重负担(Richard曾说过在采集别人网站的时候要心怀感恩),我们爬虫仅使用了5个线程。进行180万搜索,共耗时约20天。

10. 由于搜索需要大量时间,爬虫使用了缓存机制,防止客户修改字段后需要二次下载。

 

特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。现在改用国产的友言。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。