Python3網絡爬蟲實戰-19、代理基本原理

我們在做爬蟲的過程中經常會遇到這樣的情況，最初爬蟲正常運行，正常抓取數據，一切看起來都是那么的美好，然而一杯茶的功夫可能就會出現錯誤，比如 403 Forbidden，這時候打開網頁一看，可能會看到“您的 IP 訪問頻率太高”這樣的提示。出現這樣的現象的原因是網站采取了一些反爬蟲的措施，比如服務器會檢測某個 IP 在單位時間內的請求次數，如果超過了這個閾值，那么會直接拒絕服務，返回一些錯誤信息，這種情況可以稱之為封 IP，于是乎就成功把我們的爬蟲禁掉了。

既然服務器檢測的是某個 IP 單位時間的請求次數，那么我們借助某種方式來偽裝我們的 IP，讓服務器識別不出是由我們本機發起的請求，不就可以成功防止封 IP 了嗎？

那么在這里一種有效的方式就是使用代理，使用它我們可以成功偽裝 IP，避免本機 IP 被封禁的情況，在后文會有詳細的代理使用的說明，在這之前我們需要先了解下代理的基本原理，它是怎樣實現 IP 偽裝的呢？本節就讓我們先了解一下代理的概念。

1. 基本原理

我們常稱呼的代理實際上指的就是代理服務器，英文叫做 Proxy Server，它的功能是代理網絡用戶去取得網絡信息。形象地說，它是網絡信息的中轉站。在我們正常請求一個網站時，是發送了 Request 給 Web 服務器，Web 服務器把 Response 傳回給我們。如果設置了代理服務器，實際上就是在本機和服務器之間搭建了一個橋，此時本機不是直接向 Web 服務器發起請求，而是向代理服務器發出請求， Request 會發送給代理服務器，然后由代理服務器再發送給 Web 服務器，然后由代理服務器再把 Web 服務器返回的 Response 轉發給本機，這樣我們同樣可以正常訪問網頁，但這個過程 Web 服務器識別出的真實的 IP 就不再是我們本機的 IP 了，就成功實現了 IP 偽裝，這就是代理的基本原理。

2. 代理的作用

那么代理有什么作用呢？我們可以簡單列舉如下：

• 突破自身 IP 訪問限制，訪問一些平時不能訪問的站點。
• 訪問一些單位或團體內部資源，如使用教育網內地址段免費代理服務器，就可以用于對教育網開放的各類 FTP 下載上傳，以及各類資料查詢共享等服務。
• 提高訪問速度，通常代理服務器都設置一個較大的硬盤緩沖區，當有外界的信息通過時，同時也將其保存到緩沖區中，當其他用戶再訪問相同的信息時， 則直接由緩沖區中取出信息，傳給用戶，以提高訪問速度。
• 隱藏真實 IP，上網者也可以通過這種方法隱藏自己的 IP，免受***，對于爬蟲來說，我們用代理就是為了隱藏自身 IP，防止自身的 IP 被封鎖。

3. 爬蟲代理

對于爬蟲來說，由于爬蟲爬取速度過快，在爬取過程中可能遇到同一個 IP 訪問過于頻繁的問題，網站就會讓我們輸入驗證碼或登錄或者直接封鎖 IP，這樣會給爬取帶來極大的不便。

所以使用代理隱藏真實的 IP，讓服務器誤以為是代理服務器的在請求自己。這樣在爬取過程中通過不斷更換代理，就不會被封鎖，可以達到很好的爬取效果。

4. 代理分類

代理分類時可以根據協議區分也可以根據其匿名程度區分，下面分別總結如下：

根據協議區分

根據代理的協議區分，代理可以分為如下類別：

• FTP 代理服務器，主要用于訪問 FTP 服務器，一般有上傳、下載以及緩存功能，端口一般為 21、2121 等。
• HTTP 代理服務器，主要用于訪問網頁，一般有內容過濾和緩存功能，端口一般為 80、8080、3128 等。
• SSL/TLS 代理，主要用于訪問加密網站，一般有 SSL 或 TLS 加密功能（最高支持 128 位加密強度），端口一般為 443。
• RTSP 代理，主要用于 Realplayer 訪問 Real 流媒體服務器，一般有緩存功能，端口一般為 554。
• Telnet代理，主要用于 telnet 遠程控制（******計算機時常用于隱藏身份），端口一般為23。
• POP3/SMTP 代理，主要用于 POP3/SMTP 方式收發郵件，一般有緩存功能，端口一般為 110/25。
• SOCKS代理，只是單純傳遞數據包，不關心具體協議和用法，所以速度快很多，一般有緩存功能，端口一般為1080。SOCKS 代理協議又分為 SOCKS4 和 SOCKS5，SOCKS4 協議只支持 TCP，而 SOCKS5 協議支持 TCP 和 UDP，還支持各種身份驗證機制、服務器端域名解析等。簡單來說，SOCK4能做到的SOCKS5都可以做到，但SOCKS5能做到的SOCK4不一定能做到。

根據匿名程度區分

根據代理的匿名程度劃分，代理可以分為如下類別：

• 高度匿名代理，高度匿名代理會將數據包原封不動的轉發，在服務端看來就好像真的是一個普通客戶端在訪問，而記錄的 IP 是代理服務器的 IP。
• 普通匿名代理，普通匿名代理會在數據包上做一些改動，服務端上有可能發現這是個代理服務器，也有一定幾率追查到客戶端的真實 IP。代理服務器通常會加入的 HTTP 頭有 HTTP_VIA 和 HTTP_X_FORWARDED_FOR。
• 透明代理，透明代理不但改動了數據包，還會告訴服務器客戶端的真實 IP。這種代理除了能用緩存技術提高瀏覽速度，能用內容過濾提高安全性之外，并無其他顯著作用，最常見的例子是內網中的硬件防火墻。
• 間諜代理，間諜代理指組織或個人創建的，用于記錄用戶傳輸的數據，然后進行研究、監控等目的代理服務器。Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

4. 常見代理設置

• 使用網上的免費代理，最好使用高匿代理，使用前抓取下來篩選一下可用代理，也可以進一步維護一個代理池。
• 使用付費代理服務，互聯網上存在許多代理商，可以付費使用，質量比免費代理好很多。
• ADSL撥號，撥一次號換一次 IP，穩定性高，也是一種比較有效的解決方案。

在后文我們會詳細介紹這幾種代理的使用方式。