【Python3網路爬蟲開發實戰】2.5-代理的基本原理

02-26

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，一切看起來都是那麼美好，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採取了一些反爬蟲措施。比如，伺服器會檢測某個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。

既然伺服器檢測的是某個IP單位時間的請求次數，那麼藉助某種方式來偽裝我們的IP，讓伺服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代理，後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伺服器，英文叫作proxy server，它的功能是代理網路用戶去取得網路信息。形象地說，它是網路信息的中轉站。在我們正常請求一個網站時，是發送了請求給Web伺服器，Web伺服器把響應傳回給我們。如果設置了代理伺服器，實際上就是在本機和伺服器之間搭建了一個橋，此時本機不是直接向Web伺服器發起請求，而是向代理伺服器發出請求，請求會發送給代理伺服器，然後由代理伺服器再發送給Web伺服器，接著由代理伺服器再把Web伺服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伺服器識別出的真實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

那麼，代理有什麼作用呢？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伺服器，就可以用於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：通常代理伺服器都設置一個較大的硬碟緩衝區，當有外界的信息通過時，同時也將其保存到緩衝區中，當其他用戶再訪問相同的信息時，則直接由緩衝區中取出信息，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。對於爬蟲來說，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

對於爬蟲來說，由於爬蟲爬取速度過快，在爬取過程中可能遇到同一個IP訪問過於頻繁的問題，此時網站就會讓我們輸入驗證碼登錄或者直接封鎖IP，這樣會給爬取帶來極大的不便。

使用代理隱藏真實的IP，讓伺服器誤以為是代理伺服器在請求自己。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，既可以根據協議區分，也可以根據其匿名程度區分。

(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代理伺服器：主要用於訪問FTP伺服器，一般有上傳、下載以及緩存功能，埠一般為21、2121等。
HTTP代理伺服器：主要用於訪問網頁，一般有內容過濾和緩存功能，埠一般為80、8080、3128等。
SSL/TLS代理：主要用於訪問加密網站，一般有SSL或TLS加密功能（最高支持128位加密強度），埠一般為443。
RTSP代理：主要用於訪問Real流媒體伺服器，一般有緩存功能，埠一般為554。
Telnet代理：主要用於telnet遠程控制（黑客入侵計算機時常用於隱藏身份），埠一般為23。
POP3/SMTP代理：主要用於POP3/SMTP方式收發郵件，一般有緩存功能，埠一般為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，埠一般為1080。SOCKS代理協議又分為SOCKS4和SOCKS5，前者只支持TCP，而後者支持TCP和UDP，還支持各種身份驗證機制、伺服器端域名解析等。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是代理伺服器的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伺服器，也有一定幾率追查到客戶端的真實IP。代理伺服器通常會加入的HTTP頭有HTTP_VIA和HTTP_X_FORWARDED_FOR。
透明代理：不但改動了數據包，還會告訴伺服器客戶端的真實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，並無其他顯著作用，最常見的例子是內網中的硬體防火牆。
間諜代理：指組織或個人創建的用於記錄用戶傳輸的數據，然後進行研究、監控等目的的代理伺服器。

5. 常見代理設置

使用網上的免費代理：最好使用高匿代理，另外可用的代理不多，需要在使用前篩選一下可用代理，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。

在後文我們會詳細介紹這幾種代理的使用方式。

6. 參考來源

由於涉及一些專業名詞知識，本節的部分內容參考來源如下。

代理伺服器維基百科：https://zh.wikipedia.org/wiki/代理伺服器
代理百度百科：https://baike.baidu.com/item/代理/3242667

本資源首發於崔慶才的個人博客靜覓： Python3網路爬蟲開發實戰教程 | 靜覓

如想了解更多爬蟲資訊，請關注我的個人微信公眾號：進擊的Coder

http://weixin.qq.com/r/5zsjOyvEZXYarW9Y9271 (二維碼自動識別)