爬虫基础之代理的基本原理

在做爬虫的过程中经常会遇到一种情况，就是爬虫最初是正常运行、正常抓取数据的，一切看起来都是那么美好，然而一杯茶的工夫就出现了错误，例如 403 Forbidden，这时打开网页一看，可能会看到“您的IP访问频率太高”这样的提示。出现这种现象是因为网站采取了一些反爬虫措施。例如服务器会检测某个 IP 在单位时间内的请求次数，如果请求次数超过设定的阈值，就直接拒绝提供服务并返回一些错误信息，可以称这种情况为封IP。

既然服务器检测的是某个卫P在单位时间内的请求次数，那么借助某种方式把我们的卫P伪装一下让服务器识别不出请求是由我们本机发起的，不就可以成功防止封IP了吗?

一种有效的伪装方式是使用代理，后面会详细说明代理的用法。在这之前，需要先了解代理的基本原理，它是怎样实现伪装IP的呢?

基本原理

代理实际上就是指代理服务器，英文叫作 Proxy Server，功能是代网络用户取得网络信息。形象点说，代理是网络信息的中转站。当客户端正常请求一个网站时，是把请求发送给了 Web 服务器，Web服务器再把响应传回给客户端。设置代理服务器，就是在客户端和服务器之间搭建一座桥，此时客户端并非直接向 Web 服务器发起请求，而是把请求发送给代理服务器,然后由代理服务器把请求发送给 Web服务器，Web服务器返回的响应也是由代理服务器转发给客户端的。这样客户端同样可以正常访问网页，而且这个过程中 Web 服务器识别出的真实IP就不再是客户端的IP了，成功实现了IP伪装，这就是代理的基本原理。

代理的作用

代理有什么作用呢?我们可以简单列举如下：

• 突破自身IP的访问限制，访问一些平时不能访问的站点。
• 访问一些单位或团体的内部资源。比如，使用教育网内地址段的免费代理服务器，就可以下载和上传对教育网开放的各类 FTP，也可以查询、共享各类资料等。
• 提高访问速度。通常，代理服务器会设置一个较大的硬盘缓冲区，当有外界的信息通过时，会同时将其保存到自己的缓冲区中，当其他用户访问相同的信息时，直接从缓冲区中取出信息，提高了访问速度。
• 隐藏真实 。上网者可以通过代理隐藏自己的IP，免受攻击。对于爬虫来说，使用代理就是为了隐藏自身 IP，防止自身的 IP 被封锁。

爬虫代理

对于爬虫来说，由于爬取速度过快，因此在爬取过程中可能会遇到同一个 IP 访问过于频繁的问题，此时网站会让我们输入验证码登录或者直接封锁IP，这样会给爬取造成极大的不便。

使用代理隐藏真实的卫P，让服务器误以为是代理服务器在请求自己。这样在爬取过程中不断更换代理，就可以避免 IP 被封锁，达到很好的爬取效果。

代理分类

对代理进行分类时,既可以根据协议,也可以根据代理的匿名程度,这两种分类方式分别总结如下。

• 根据协议区分
  根据代理的协议，代理可以分为如下几类。
  （1）FTP 代理服务器:主要用于访问 FTP服务器,一般有上传、下载以及缓存功能,端口一般为21.
  2121等。
  （2）HTTP 代理服务器:主要用于访问网页，一般有内容过滤和缓存功能，端口一般为80、80803128 等。
  （3）SSL/TLS 代理:主要用于访问加密网站，一般有SSL或TLS加密功能(最高支持 128 位加密强度 )，端口一般为 443。
  （4）RTSP 代理:主要用于 Realplayer 访问 Real流媒体服务器,一般有缓存功能,端口一般为 554。
  （5）Telnet代理:主要用于 Telnet 远程控制(黑客人侵计算机时常用于隐藏身份),端口一般为 23。
  （6）POP3/SMTP 代理:主要用于以POP3/SMTP 方式收发邮件，一般有缓存功能，端口一般为110/25。
  （7）SOCKS代理:只是单纯传递数据包，不关心具体协议和用法，所以速度快很多，一般有缓存功能，端口一般为1080。SOCKS代理协议又分为SOCKS4和SOCKS5，SOCKS4协议只支持TCP，SOCKS5 协议则支持 TCP 和 UDP，还支持各种身份验证机制、服务器端域名解析等。简单来说，SOCKS4 能做到的 SOCKS5 都能做到，但 SOCKS5 能做到的 SOCKS4 不一定做得到。

• 根据匿名程度区分
  根据代理的匿名程度，代理可以分为如下几类。
  （1）高度匿名代理:高度匿名代理会将数据包原封不动地转发,在服务端看来似乎真的是一个普通客户端在访问，记录的IP则是代理服务器的IP。
  （2） 普通匿名代理:普通匿名代理会对数据包做一些改动,服务端可能会发现正在访问自己的是个代理服务器,并且有一定概率去追査客户端的真实IP。这里代理服务器通常会加人的 HTTP 头有HTTP VIA和HTTP X FORWARDED FOR。
  （3）透明代理:透明代理不但改动了数据包，还会告诉服务器客户端的真实IP。这种代理除了能用缓存技术提高浏览速度,用内容过滤提高安全性之外,并无其他显著作用,最常见的例子是内网中的硬件防火墙。
  （4） 间谍代理:间谍代理是由组织或个人创建的代理服务器,用于记录用户传输的数据，然后对记录的数据进行研究、监控等。

常见的代理服务器

常见的代理设置如下。

• 对于网上的免费代理,最好使用高度匿名代理,可以在使用前把所有代理都抓取下来筛选一下可用代理，也可以进一步维护一个代理池。
• 使用付费代理服务。互联网上存在许多可以付费使用的代理商，质量要比免费代理好很多，
• ADSL拨号，拨一次号换一次IP，稳定性高，也是一种比较有效的封锁解决方案。
• 蜂窝代理，即用 4G 或 5G 网卡等制作的代理。由于用蜂窝网络作为代理的情形较少，因此整体被封锁的概率会较低，但搭建蜂窝代理的成本是较高的。

在后面，我们会详细介绍一些代理的使用方式。

总结

本文介绍了代理的相关知识，这对后文我们进行一些反爬绕过的实现有很大的帮助，同时也为后文的一些抓包操作打下了基础，需要好好理解。

原文地址：https://blog.csdn.net/Android_xue/article/details/144411291

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！