高速采集网页数据
0
悬赏园豆：80
[已关闭问题]
关闭于 2013-07-25 18:46
网页上有一些数据。数据格式如下：
A[data],B[data],C[data],time.
这些数据，会实时的更新，有时候，一秒更新三五次，有时候，三五分钟才更新一次。
我通过编写代码，采集网页上面的数据，我真实的想法是每秒下载10次页面，这样就能保证即使每秒更新三五次，也不会漏掉。
后来发现，每秒采集10次，会被服务器断开，然后三秒的恢复时间，这三秒就导致数据没能采集到。
因为每条数据都 带有time字段的，所以，多线程下面，如果采集的乱序后，旧时间的数据就不能要了。
因为采集到的数据比较实时，我也要尽快的处理，所以，尽量不要延迟。
求问解决思路。
对方是一个TOMCAT，然后实时的更新网页内容。
我要做的就是把他更新的内容都采集过来。
谢谢了。
还有其他的回答吗？
所有回答(6)
1
在WinForm程序里用一个WebBrowser打开这个页面，然后监控页面上对应元素的值。
这个方法适合普通的采集，如果想一秒采十次，持续24小时不间断，做不到的。
@硬盘很大: 一秒更新三五次一般用的是Ajax的方式实现。你不能高频率的去获取整个页面，那样必然被服务器按CC攻击过滤掉。用WebBrowser和你正常浏览一样，监控HTMLElement的值，不是分析整个页面的html文本。
@天边彩云: 服务器端是使用把数据库里的数据读出来，然后原样显示出来。
查看源码，看到的是纯文本的数据，没有HTML标签在里面的。
@天边彩云: 而且你说的Webbrowser来正常浏览，这个正常，只不过是发送的POST或者GET数据，然后获得网页内容。我使用Libcurl库的时候也是发送的正常数据，这个跟WebBrowser有区别吗？我查看过数据发送的内容，没有区别的。所以，我想，应该跟这个方面关系不大。
服务器定时断开我的高频率连接，应该是根据某种条件，比如说：每秒连接次数。
但是，我使用多线程的时候，可以减小数据的丢失，所以，应该不是根据IP的，可能是根据，IP+端口两个条件来判断的。目前还不确定是根据什么条件来断开我的连接的。
谢谢你的回复。
@硬盘很大: 用WebBrowser不是只为了GET数据过来，GET数据的话用HttpRequest就行了。如果你正常用浏览器访问能看到所有数据的话（比如页面上的数据不断自动刷新）用这种方法就能获取到所有数据；否则，只能考虑楼下代理的方法了。
1
可以靠率用代理吧。首先收集一批代理IP地址。然后每次采集随机指定一个代理地址。
这个要靠高可靠性，第一不能丢数据，第二速度快。
找些代理，这个不太靠谱吧。
1
我试试。对这个比较感兴趣。我qq：13604023002
加你QQ了
-4
0
网页上做实时性的操作很难。你的问题一个程序跑肯定无论怎么做都有问题，最佳的是N台机器一起跑。
0
目前还没找到解决办法。在思考。。。。
