自从互联网出现之后就有了在互联网上采集（抓取）数据这件事。

网络数据采集程序又称为网络机器人，最常用的方法就是写一个自动化程序向网络服务器请求数据（通常是用HTML 表单或其他网页文件），然后对数据进行解析，提取所需的信息。

在采集网站的时会遇到一些比数据显示在浏览器上却抓取不出来更令人沮丧的事情。也许是向服务器提交自认为已经处理得很好的表单却被拒绝，也许是自己的 IP 地址不知道什么原因直接被网站封杀，无法继续访问。下面一起探讨几种解决方法：

方法1.

1）IP必须需要，像@alswl 说的非常正确，ADSL。如果有条件，其实可以跟机房多申请外网IP。

2）在有外网IP的机器上，部署代理服务器。

3）你的程序，使用轮训替换代理服务器来访问想要采集的网站。

好处：

1）程序逻辑变化小，只需要代理功能。

2）根据对方网站屏蔽规则不同，你只需要添加更多的代理就行了。

3）就算具体IP被屏蔽了，你可以直接把代理服务器下线就OK，程序逻辑不需要变化。

方法2.

有小部分网站的防范措施比较弱，可以伪装下IP，修改X-Forwarded-for。即可绕过。

大部分网站么，如果要频繁抓取，一般还是要多IP。我比较喜欢的解决方案是国外VPS再配多IP，通过默认网关切换来实现IP切换，比HTTP代理高效得多，估计也比多数情况下的ADSL切换更高效。

方法3.

ADSL + 脚本，监测是否被封，然后不断切换 ip

设置查询频率限制

正统的做法是调用该网站提供的服务接口。

方法4.

多年前爬虫经验的人告诉你，国内ADSL是王道，多申请些线路，分布在多个不同的电信区局，能跨省跨市更好，自己写好断线重拨组件，自己写动态IP追踪服务，远程硬件重置（主要针对ADSL猫，防止其宕机），其余的任务分配，数据回收，都不是大问题。

方法5.

1）user agent 伪装和轮换

2）使用代理 ip 和轮换

3）cookies 的处理，有的网站对登陆用户政策宽松些

友情提示：考虑爬虫给人家网站带来的负担，be a responsible crawler