Python爬蟲：為什么要使用IP代理
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。出現這種現象的原因是網站采取了一些反爬蟲措施。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，就會直接拒絕服務，返回一些錯誤信息，這種情況可以稱為封IP。 既然服務器檢測的是某個IP單位時間的請求次數，那么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？ 一種有效的方式就是使用葵芳IP代理，目前大的的爬蟲代理服務商，后面會詳細說明代理的用法。在這之前，需要先了解下代理的基本原理，它是怎樣實現IP偽裝的呢？ 1. 基本原理 代理實際上指的就是代理服務器，英文叫作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，是發送了請求給Web服務器，Web服務器把響應傳回給我們。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，請求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，接著由代理服務器再把Web服務器返回的響應轉發給本機。這樣我們同樣可以正常訪問網頁，但這個過程中Web服務器識別出的真實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：比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，免受攻擊。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. 代理分類 (1) 根據協議區分 根據代理的協議，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（高的支持128位加密強度），端口一般為443。 RTSP代理：主要用于訪問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（黑客**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，前者只支持TCP，而后者支持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。 (2) 根據匿名程度區分 根據代理的匿名程度，代理可以分為如下類別。 高度匿名代理：會將數據包原封不動地轉發，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：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：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：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、監控等目的的代理服務器。