代理IP 用在数据采集上的注意事项（合规）
有客户问：用代理IP 做数据采集，到底合不合规？答案是：采集本身是中性的，很多正经业务——价格监测、舆情统计、公开资讯聚合——都离不开它。区别在于你怎么采、采什么。这篇给你一份开工前的自查清单，照着过一遍，心里就有底了。
第一条：只采公开数据
先看你要采的内容是不是不登录、不付费、任何访客都能看到的公开页面。商品标价、公开发布的文章、公开榜单，这些属于公开信息，采集的风险主要在「方式」而不是「内容」。反过来，需要登录才能看的页面、付费内容、别人主页的私密设置，绕过权限去拿，性质就变了，这类不要碰。
第二条：不碰个人信息
《个人信息保护法》划得很清楚：姓名、手机号、住址、身份证号这类能定位到具体人的信息，没有合法授权就不能批量收集。哪怕这些数据在网上散落着能搜到，批量抓取再汇总，也是明确的违法。清单里凡是涉及「收集用户资料」的需求，直接砍掉，没有商量余地。
第三条：看 robots 和平台条款
动手之前打开目标站点的 robots.txt 看一眼，里面写明了哪些路径欢迎抓取、哪些不欢迎。再看平台的服务条款里对自动化访问的说明。有的站点明确禁止抓取，那就换公开渠道或者直接联系对方要授权。这一步花五分钟，能省掉后面的大麻烦。
第四条：控制频率，别压垮人家
合规采集的核心是「像礼貌的访客」：单个站点的请求频率要压低，比如几秒一次，避开对方高峰时段，夜里批量跑白天少跑。对方返回 429 或 503，说明人家服务器吃不消了，立刻降速或暂停，而不是加并发硬冲。把对方网站打挂，不管初衷是什么，都已经是损害行为了。
第五条：代理IP 在这里面的作用
有人会问：那代理IP 在合规采集里是干嘛的？主要两点：一是采集任务量大，单机单 IP 高频请求容易触发对方的频率保护，用多条线路把请求摊开，是正常的流量治理；二是属地化需求，比如你要核对不同城市的搜索结果展示，需要对应归属地的出口。它的作用是让你的采集方式更合理，不是让你规避对方的拦截规则——如果你的采集本身合规，合理控频后一般也用不着「绕」。
第六条：留存和用途要干净
采回来的数据怎么存、用在哪，也要想清楚：不转卖、不用于骚扰营销、不拼接出他人画像。做好自己的业务分析，用完按需留存，涉及过期的及时清理。数据链路干净，业务才走得长远。
自查小结
开工前把六个问题过一遍：只采公开的？不含个人信息？robots 和条款看了？频率控住了？线路用途是摊流量不是硬闯？数据用途干净？六个都答是，就可以放心做；有一个答不上来，先停下来把那一项解决掉。合规的采集，才是一项能长期做的生意。
你的采集业务不知道频率怎么配、线路怎么摊？
加微信：xieqqq411，说说你采的内容和规模，帮你配一套合理控频的线路方案