〖Python网络爬虫实战④〗- 代理的基本原理

• 订阅：新手可以订阅我的其他专栏。免费阶段订阅量1000+

                python项目实战

                Python编程基础教程系列（零基础小白搬砖逆袭)

• 说明：本专栏持续更新中，目前专栏免费订阅，在转为付费专栏前订阅本专栏的，可以免费订阅付费专栏，可报销（名额有限，先到先得）。
• 作者：爱吃饼干的小白鼠。Python领域优质创作者，2022年度博客新星top100入围，荣获多家平台专家称号。

最近更新

〖Python网络爬虫实战①〗- HTTP原理

〖Python网络爬虫实战②〗- Web网页基础

〖Python网络爬虫实战③〗－爬虫的基本原理
〖Python网络爬虫实战④〗- 代理的基本原理

上节回顾

我们上一节讲述了爬虫的基本原理,我们知道了爬虫是如何运行的。本文就讲代理的基本原理，以及，我们为什么要配置代理，它的作用是什么。

⭐️代理的基本原理

        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，就有人问了，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. 将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。

爬虫代理

        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人验证码登录或者直接封锁 P ，这样会给爬取带来极大的不便。

        使用代理隐藏真实的 IP ，让服务器误以为是代理服务器在请求自己。这样在爬取过程中通过不断更换代理，就不会被封锁，可以达到很好的爬取效果。

代理分类

        代理分类时，既可以根据协议区分，也可以根据其匿名程度区分。

✨1.根据协议区分

        根据代理的协议，代理可以分为如下类别。

• 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、8080、3128等。
•  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。
•  RTSP 代理：主要用于访问 Real 流媒体服务器，一般有缓存功能，端口一般为554。
•  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。
• POP3/SMTP代理：主要用于POP3/SMTP方式收发邮件，一般有缓存功能，端口一般为110/25。
• 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，前者只支持 TCP ,而后者支持 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都可以做到，但SOCKS5能做到的SOCKS4不一定能做到。

✨2．根据匿名程度区分

        根据代理的匿名程度，代理可以分为如下类别

• 高度匿名代理：会将数据包原封不动地转发，在服务端看来就好像真的是一个普通客户端在访问，而记录的 IP 是代理服务器的 P 。
• 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是个代理服务器，也有一定几率追查到客户端的真实 P 。代理服务器通常会加人的 HTTP 头有 HTTP_VIA 和 HTTPX _ 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 。这种代理除了能用缓存技术提高浏览速度，能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。
• 间谍代理：指组织或个人创建的用于记录用户传输的数据，然后进行研究、监控等目的的代理服务器。

常见代理设置

        使用网上的免费代理：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：互联网上存在许多代理商，可以付费使用，质量比免费代理好很多。

        ADSL 拨号：拨一次号换一次 IP ，稳定性高，也是一种比较有效的解决方案。

        我们在后面的学习过程中，我们也会介绍代理的使用方法。

总结

        本文介绍了代理的相关知识，这对我们后面进行反爬有很大的作用。