Urllib库的使用七---进阶二(代理的使用)

• 各大代理IP的平台对比网址可做如下参考：https://cuiqingcai.com/5094.html

ProxyHandler处理器（代理设置）
我们在做爬虫的过程中经常会遇到这样的情况，最初爬虫正常运行，正常抓取数据，一切看起来都是那么美好，然而一杯茶的功夫可能就会出现错误，比如403 Forbidden，这时候打开网页一看，可能会看到“您的IP访问频率太高”这样的提示。出现这种现象的原因是网站采取了一些反爬虫措施。比如，服务器会检测某个IP在单位时间内的请求次数，如果超过了这个阈值，就会直接拒绝服务，返回一些错误信息，这种情况可以称为封IP。 既然服务器检测的是某个IP单位时间的请求次数，那么借助某种方式来伪装我们的IP，让服务器识别不出是由我们本机发起的请求，不就可以成功防止封IP了吗？ 一种有效的方式就是使用代理，后面会详细说明代理的用法。在这之前，需要先了解下代理的基本原理，它是怎样实现IP伪装的呢？

基本原理： 代理实际上指的就是代理服务器，英文叫作proxy server，它的功能是代理网络用户去取得网络信息。形象地说，它是网络信息的中转站。在我们正常请求一个网站时，是发送了请求给Web服务器，Web服务器把响应传回给我们。如果设置了代理服务器，实际上就是在本机和服务器之间搭建了一个桥，此时本机不是直接向Web服务器发起请求，而是向代理服务器发出请求，请求会发送给代理服务器，然后由代理服务器再发送给Web服务器，接着由代理服务器再把Web服务器返回的响应转发给本机。这样我们同样可以正常访问网页，但这个过程中Web服务器识别出的真实IP就不再是我们本机的IP了，就成功实现了IP伪装，这就是代理的基本原理

代理的作用： 那么，代理有什么作用呢？我们可以简单列举如下。

1. 突破自身IP访问限制，访问一些平时不能访问的站点。
2. 访问一些单位或团体内部资源：比如使用教育网内地址段免费代理服务器，就可以用于对教育网开放的各类FTP下载上传，以及各类资料查询共享等服务。
3. 提高访问速度：通常代理服务器都设置一个较大的硬盘缓冲区，当有外界的信息通过时，同时也将其保存到缓冲区中，当其他用户再访问相同的信息时，则直接由缓冲区中取出信息，传给用户，以提高访问速度。
4. 隐藏真实IP：上网者也可以通过这种方法隐藏自己的IP，免受攻击。对于爬虫来说，我们用代理就是为了隐藏自身IP，防止自身的IP被封锁。 使用代理IP，这是爬虫/反爬虫的第二大招，对于爬虫来说，由于爬虫爬取速度过快，在爬取过程中可能遇到同一个IP访问过于频繁的问题，此时网站就会让我们输入验证码登录或者直接封锁IP，这样会给爬取带来极大的不便。通常这种反爬虫手段也是最好用的。

很多网站会检测某一段时间某个IP的访问次数(通过流量统计，系统日志等)，如果访问次数多的不像正常人，它会禁止这个IP的访问。

所以我们可以设置一些代理服务器，每隔一段时间换一个代理，就算IP被禁止，依然可以换个IP继续爬取。

常见的代理分类： 1.根据协议划分：
FTP代理服务器：主要用于访问FTP服务器，一般有上传、下载的功能以及缓存的功能，端口号一般为21，2121等。

HTTP代理服务器：主要用于访问网页，一般有内容过滤和缓存的功能，端口号一般为80、8080、3128等

SSL/TLS代理：主要能用于访问加密的网站，一般有SSL或者TLS加密功能 SOCKS代理：只是单纯的用于传输数据包，不关心具体的协议用法，速度快、有缓存功能，端口号一般为1080

2.根据匿名内容划分：

高度匿名代理：会将数据包原封不动的转发，在服务器看来就好像真的是一个普通的用户短在访问，而记录的IP就是代理服务器的IP

普通匿名代理：会在数据包上做一些改动，服务端上有可能发现这个是代理服务器，也有一定的几率追查到客户端的真实IP，代理服务器通常会加入HTTP头有HTTP_VIA和HTTP_X_FORWARDED_FOR.

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，这种代理除了用缓存技术提高浏览器速度。能用内容过滤提高安全性之外，并没有其他作用。

间谍代理：指的是组织和个人创建的用于记录用户传输的数据，然后进行研究，控制等目的的代理服务器。

使用代理IP 这是爬虫/反爬虫的第二大招，通常也是最好用的。

很多网站会检测某一段时间某个IP的访问次数(通过流量统计，系统日志等)，如果访问次数多的不像正常人，它会禁止这个IP的访问。

所以我们可以设置一些代理服务器，每隔一段时间换一个代理，就算IP被禁止，依然可以换个IP继续爬取。

urllib.request中通过ProxyHandler来设置使用代理服务器，下面代码说明如何使用自定义opener来使用代理：

    import urllib.request
    # 构建代理Handler
    httpproxy_handler = urllib.request.ProxyHandler(
        {
            "http" : "222.221.11.119:3128",
            "https": "125.32.233.215:8118"
        },
    )
    # 通过 urllib.request.build_opener(),创建自定义opener对象
    opener = urllib.request.build_opener(httpproxy_handler)
    request = urllib.request.Request("http://www.baidu.com/")
    # 1. 如果这么写，只有使用opener.open()方法发送请求才使用自定义的代理，而urlopen()则不使用自定义代理。
    response = opener.open(request)
    # 2. 如果这么写，就是将opener应用到全局，之后所有的，不管是opener.open()还是urlopen() 发送请求，都将使用自定义代理。
    # urllib.request.install_opener(opener)
    # response = urlopen(request)
    print (response.read().decode())

免费的开放代理获取基本没有成本，我们可以在一些代理网站上收集这些免费代理，测试后如果可以用，就把它收集起来用在爬虫上面,但是这些免费的代理不稳定，并且可用绿不高。

免费短期代理网站举例：

• 西刺免费代理IP：http://www.xicidaili.com/
• 快代理免费代理:https://www.kuaidaili.com/free/inha/

如果代理IP足够多，就可以像随机获取User-Agent一样，随机选择一个代理去访问网站。

    import urllib.request
    import random

    proxy_list = [
        {"https" : "124.88.67.81:80"},
        {"https" : "124.88.67.81:80"},
        {"https" : "124.88.67.81:80"},
        {"https" : "124.88.67.81:80"},
        {"https" : "124.88.67.81:80"}
    ]

    # 随机选择一个代理
    proxy = random.choice(proxy_list)
    # 使用选择的代理构建代理处理器对象
    httpproxy_handler = urllib.request.ProxyHandler(proxy)

    opener = urllib.request.build_opener(httpproxy_handler)

    request = urllib.request.Request("https://www.baidu.com/")
    response = opener.open(request)
    print (response.read())

• 但是，这些免费开放代理一般会有很多人都在使用，而且代理有寿命短，速度慢，匿名度不高，HTTP/HTTPS支持不稳定等缺点（免费没好货）。

• 所以，专业爬虫工程师或爬虫公司会使用高品质的私密代理，这些代理通常需要找专门的代理供应商购买，再通过用户名/密码授权使用（舍不得孩子套不到狼）。

另外：我们也可以自己爬取免费的代理网站，获取免费代理，然后收集可用的代理，存放在数据库中，使用的视乎直接从数据库中获取．