Python爬蟲(chóng)：為什么要使用IP代理
我們?cè)谧雠老x(chóng)的過(guò)程中經(jīng)常會(huì)遇到這樣的情況，最初爬蟲(chóng)正常運(yùn)行，正常抓取數(shù)據(jù)，一切看起來(lái)都是那么美好，然而一杯茶的功夫可能就會(huì)出現(xiàn)錯(cuò)誤，比如403 Forbidden，這時(shí)候打開(kāi)網(wǎng)頁(yè)一看，可能會(huì)看到“您的IP訪(fǎng)問(wèn)頻率太高”這樣的提示。出現(xiàn)這種現(xiàn)象的原因是網(wǎng)站采取了一些反爬蟲(chóng)措施。比如，服務(wù)器會(huì)檢測(cè)某個(gè)IP在單位時(shí)間內(nèi)的請(qǐng)求次數(shù)，如果超過(guò)了這個(gè)閾值，就會(huì)直接拒絕服務(wù)，返回一些錯(cuò)誤信息，這種情況可以稱(chēng)為封IP。 既然服務(wù)器檢測(cè)的是某個(gè)IP單位時(shí)間的請(qǐng)求次數(shù)，那么借助某種方式來(lái)偽裝我們的IP，讓服務(wù)器識(shí)別不出是由我們本機(jī)發(fā)起的請(qǐng)求，不就可以成功防止封IP了嗎？ 一種有效的方式就是使用葵芳IP代理，目前大的的爬蟲(chóng)代理服務(wù)商，后面會(huì)詳細(xì)說(shuō)明代理的用法。在這之前，需要先了解下代理的基本原理，它是怎樣實(shí)現(xiàn)IP偽裝的呢？ 1. 基本原理 代理實(shí)際上指的就是代理服務(wù)器，英文叫作proxy server，它的功能是代理網(wǎng)絡(luò)用戶(hù)去取得網(wǎng)絡(luò)信息。形象地說(shuō)，它是網(wǎng)絡(luò)信息的中轉(zhuǎn)站。在我們正常請(qǐng)求一個(gè)網(wǎng)站時(shí)，是發(fā)送了請(qǐng)求給Web服務(wù)器，Web服務(wù)器把響應(yīng)傳回給我們。如果設(shè)置了代理服務(wù)器，實(shí)際上就是在本機(jī)和服務(wù)器之間搭建了一個(gè)橋，此時(shí)本機(jī)不是直接向Web服務(wù)器發(fā)起請(qǐng)求，而是向代理服務(wù)器發(fā)出請(qǐng)求，請(qǐng)求會(huì)發(fā)送給代理服務(wù)器，然后由代理服務(wù)器再發(fā)送給Web服務(wù)器，接著由代理服務(wù)器再把Web服務(wù)器返回的響應(yīng)轉(zhuǎn)發(fā)給本機(jī)。這樣我們同樣可以正常訪(fǎng)問(wèn)網(wǎng)頁(yè)，但這個(gè)過(guò)程中Web服務(wù)器識(shí)別出的真實(shí)IP就不再是我們本機(jī)的IP了，就成功實(shí)現(xiàn)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(jiǎn)單列舉如下。 突破自身IP訪(fǎng)問(wèn)限制，訪(fǎng)問(wèn)一些平時(shí)不能訪(fǎng)問(wèn)的站點(diǎn)。 訪(fǎng)問(wèn)一些單位或團(tuán)體內(nèi)部資源：比如使用教育網(wǎng)內(nèi)地址段免費(fèi)代理服務(wù)器，就可以用于對(duì)教育網(wǎng)開(kāi)放的各類(lèi)FTP下上傳，以及各類(lèi)資料查詢(xún)共享等服務(wù)。 提高訪(fǎng)問(wèn)速度：通常代理服務(wù)器都設(shè)置一個(gè)較大的硬盤(pán)緩沖區(qū)，當(dāng)有外界的信息通過(guò)時(shí)，同時(shí)也將其保存到緩沖區(qū)中，當(dāng)其他用戶(hù)再訪(fǎng)問(wèn)相同的信息時(shí)，則直接由緩沖區(qū)中取出信息，傳給用戶(hù)，以提高訪(fǎng)問(wèn)速度。 隱藏真實(shí)IP：上網(wǎng)者也可以通過(guò)這種方法隱藏自己的IP，免受攻擊。對(duì)于爬蟲(chóng)來(lái)說(shuō)，我們用代理就是為了隱藏自身IP，防止自身的IP被封鎖。 3. 代理分類(lèi) (1) 根據(jù)協(xié)議區(qū)分 根據(jù)代理的協(xié)議，代理可以分為如下類(lèi)別。 FTP代理服務(wù)器：主要用于訪(fǎng)問(wèn)FTP服務(wù)器，一般有上傳、下以及緩存功能，端口一般為21、2121等。 HTTP代理服務(wù)器：主要用于訪(fǎng)問(wèn)網(wǎng)頁(yè)，一般有內(nèi)容過(guò)濾和緩存功能，端口一般為80、8080、3128等。 SSL/TLS代理：主要用于訪(fǎng)問(wèn)加密網(wǎng)站，一般有SSL或TLS加密功能（高的支持128位加密強(qiáng)度），端口一般為443。 RTSP代理：主要用于訪(fǎng)問(wèn)Real流媒體服務(wù)器，一般有緩存功能，端口一般為554。 Telnet代理：主要用于telnet遠(yuǎn)程控制（黑客**計(jì)算機(jī)時(shí)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(fā)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(shù)據(jù)包，不關(guān)心具體協(xié)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(xié)議又分為SOCKS4和SOCKS5，前者只支持TCP，而后者支持TCP和UDP，還支持各種身份驗(yàn)證機(jī)制、服務(wù)器端域名解析等。簡(jiǎn)單來(lái)說(shuō)，SOCK4能做到的SOCKS5都可以做到，但SOCKS5能做到的SOCK4不一定能做到。 (2) 根據(jù)匿名程度區(qū)分 根據(jù)代理的匿名程度，代理可以分為如下類(lèi)別。 高度匿名代理：會(huì)將數(shù)據(jù)包原封不動(dòng)地轉(zhuǎn)發(fā)，在服務(wù)端看來(lái)就好像真的是一個(gè)普通客戶(hù)端在訪(fǎng)問(wèn)，而記錄的IP是代理服務(wù)器的IP。 普通匿名代理：會(huì)在數(shù)據(jù)包上做一些改動(dòng)，服務(wù)端上有可能發(fā)現(xiàn)這是個(gè)代理服務(wù)器，也有一定幾率追查到客戶(hù)端的真實(shí)IP。代理服務(wù)器通常會(huì)加入的HTTP頭有HTTP_VIA和HTTP_X_FORWARDED_FOR。 透明代理：不但改動(dòng)了數(shù)據(jù)包，還會(huì)告訴服務(wù)器客戶(hù)端的真實(shí)IP。這種代理除了能用緩存技術(shù)提高瀏覽速度，能用內(nèi)容過(guò)濾提高安全性之外，并無(wú)其他顯著作用，最常見(jiàn)的例子是內(nèi)網(wǎng)中的硬件防火墻。 間諜代理：指組織或個(gè)人創(chuàng)建的用于記錄用戶(hù)傳輸?shù)臄?shù)據(jù)，然后進(jìn)行研究、監(jiān)控等目的的代理服務(wù)器。