建站
咨詢
售后
建站咨詢
新聞中心
我們在做爬蟲的過程中經(jīng)常會(huì)遇到這樣的情況，最初爬蟲正常運(yùn)行，正常抓取數(shù)據(jù)，一切看起來都是那么的美好，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)候打開網(wǎng)頁一看，可能會(huì)看到“您的 IP 訪問頻率太高”這樣的提示。出現(xiàn)這樣的現(xiàn)象的原因是網(wǎng)站采取了一些反爬蟲的措施，比如服務(wù)器會(huì)檢測某個(gè) IP 在單位時(shí)間內(nèi)的請求次數(shù)，如果超過了這個(gè)閾值，那么會(huì)直接拒絕服務(wù)，返回一些錯(cuò)誤信息，這種情況可以稱之為封 IP，于是乎就成功把我們的爬蟲禁掉了。
既然服務(wù)器檢測的是某個(gè) IP 單位時(shí)間的請求次數(shù)，那么我們借助某種方式來偽裝我們的 IP，讓服務(wù)器識別不出是由我們本機(jī)發(fā)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(jī) IP 被封禁的情況，在后文會(huì)有詳細(xì)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(shí)現(xiàn) IP 偽裝的呢？本節(jié)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(shí)際上指的就是代理服務(wù)器，英文叫做 Proxy Server，它的功能是代理網(wǎng)絡(luò)用戶去取得網(wǎng)絡(luò)信息。形象地說，它是網(wǎng)絡(luò)信息的中轉(zhuǎn)站。在我們正常請求一個(gè)網(wǎng)站時(shí)，是發(fā)送了 Request 給 Web 服務(wù)器，Web 服務(wù)器把 Response 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)起請求，而是向代理服務(wù)器發(fā)出請求， Request 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，然后由代理服務(wù)器再把 Web 服務(wù)器返回的 Response 轉(zhuǎn)發(fā)給本機(jī)，這樣我們同樣可以正常訪問網(wǎng)頁，但這個(gè)過程 Web 服務(wù)器識別出的真實(shí)的 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？我們可以簡單列舉如下：
- 突破自身 IP 訪問限制，訪問一些平時(shí)不能訪問的站點(diǎn)。
- 訪問一些單位或團(tuán)體內(nèi)部資源，如使用教育網(wǎng)內(nèi)地址段免費(fèi)代理服務(wù)器，就可以用于對教育網(wǎng)開放的各類 FTP 下載上傳，以及各類資料查詢共享等服務(wù)。
- 提高訪問速度，通常代理服務(wù)器都設(shè)置一個(gè)較大的硬盤緩沖區(qū)，當(dāng)有外界的信息通過時(shí)，同時(shí)也將其保存到緩沖區(qū)中，當(dāng)其他用戶再訪問相同的信息時(shí)， 則直接由緩沖區(qū)中取出信息，傳給用戶，以提高訪問速度。
- 隱藏真實(shí) IP，上網(wǎng)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(gè) IP 訪問過于頻繁的問題，網(wǎng)站就會(huì)讓我們輸入驗(yàn)證碼或登錄或者直接封鎖 IP，這樣會(huì)給爬取帶來極大的不便。
所以使用代理隱藏真實(shí)的 IP，讓服務(wù)器誤以為是代理服務(wù)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(huì)被封鎖，可以達(dá)到很好的爬取效果。
4. 代理分類
代理分類時(shí)可以根據(jù)協(xié)議區(qū)分也可以根據(jù)其匿名程度區(qū)分，下面分別總結(jié)如下：
根據(jù)協(xié)議區(qū)分
根據(jù)代理的協(xié)議區(qū)分，代理可以分為如下類別：
- FTP 代理服務(wù)器，主要用于訪問 FTP 服務(wù)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(wù)器，主要用于訪問網(wǎng)頁，一般有內(nèi)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(wǎng)站，一般有 SSL 或 TLS 加密功能（高支持 128 位加密強(qiáng)度），端口一般為 443。
- RTSP 代理，主要用于 Realplayer 訪問 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（******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，SOCKS4 協(xié)議只支持 TCP，而 SOCKS5 協(xié)議支持 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(jù)匿名程度區(qū)分
根據(jù)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(huì)將數(shù)據(jù)包原封不動(dòng)的轉(zhuǎn)發(fā)，在服務(wù)端看來就好像真的是一個(gè)普通客戶端在訪問，而記錄的 IP 是代理服務(wù)器的 IP。
- 普通匿名代理，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，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)容過濾提高安全性之外，并無其他顯著作用，最常見的例子是內(nèi)網(wǎng)中的硬件防火墻。
- 間諜代理，間諜代理指組織或個(gè)人創(chuàng)建的，用于記錄用戶傳輸?shù)臄?shù)據(jù)，然后進(jìn)行研究、監(jiān)控等目的代理服務(wù)器。Python資源分享qun 784758214 ,內(nèi)有安裝包，PDF，學(xué)習(xí)視頻，這里是Python學(xué)習(xí)者的聚集地，零基礎(chǔ)，進(jìn)階，都?xì)g迎
4. 常見代理設(shè)置
- 使用網(wǎng)上的免費(fèi)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(jìn)一步維護(hù)一個(gè)代理池。
- 使用付費(fèi)代理服務(wù)，互聯(lián)網(wǎng)上存在許多代理商，可以付費(fèi)使用，質(zhì)量比免費(fèi)代理好很多。
- ADSL撥號，撥一次號換一次 IP，穩(wěn)定性高，也是一種比較有效的解決方案。
在后文我們會(huì)詳細(xì)介紹這幾種代理的使用方式。
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)cdcxhl.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
分享名稱：Python3網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)-19、代理基本原理-創(chuàng)新互聯(lián)
文章來源：http://ef60e0e.cn/article/ddshse.html
