JSOUP / HTTP 错误获取 URL。状态=503

Question

我正在使用 JSOUB 来抓取所有网页，如下所示：

   public static final String GOOGLE_SEARCH_URL = "https://www.google.com/search";

   String searchURL = GOOGLE_SEARCH_URL + "?q="+searchTerm+"&num="+num + 
      "&start=" + start;


    Document doc = Jsoup.connect(searchURL)
            .userAgent("Mozilla/5.0 Chrome/26.0.1410.64 Safari/537.31")
           // .ignoreHttpErrors(true)
            .maxBodySize(1024*1024*3) 
            .followRedirects(true)
            .timeout(100000)
            .ignoreContentType(true)
            .get();


    Elements results = doc.select("h3.r > a");

      for (Element result : results) {

        String linkHref = result.attr("href");
     }

但我的问题是在代码开始时运行良好。

一段时间后，它会停止并总是给我“HTTP error fetching URL. Status=503 error”。

当我添加 .ignoreHttpErrors(true) 时，它可以正常工作，但不会抓取网页。

*search term 是我要搜索的任何关键字，num 是我需要检索的页数。

有人可以帮忙吗？ 这是否意味着谷歌阻止了我的 IP 抓取？如果是的话，请问有什么解决方案或者我如何浏览谷歌搜索结果吗？

我需要帮助。 谢谢，

Answer 1

503 错误通常意味着您尝试废弃的网站会阻止您，因为他们不希望非人类用户浏览他们的网站。尤其是谷歌。

你可以做一些事情。比如

• 使用代理旋转器
• 使用 chromedriver
• 在每个页面之后为您的申请添加一些延迟

基本上，您需要尽可能人性化，以防止网站屏蔽您。

编辑：

我需要警告您，抓取 Google 搜索结果违反了他们的服务条款，并且可能是非法的，这取决于您所在的位置。

你能做什么

您可以使用代理轮换服务来屏蔽您的请求，以便 Google 将其视为来自多个区域的请求。谷歌proxy rotator service如果你有兴趣。这可能会很昂贵，具体取决于您对数据的处理方式。

然后编写一些模块来更改每个请求的User-Agent，以减少 Google 对您的请求的怀疑。

在抓取每个页面后添加随机延迟。我建议大约 1-5 秒。随机延迟让您的请求对 Google 来说更人性化

最后，如果一切都失败了，您可能需要查看 Google 搜索 API 并使用他们的 API 而不是抓取他们的网站。