〖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。

你可能感兴趣的:(Python3网络爬虫开发实战,爬虫,python,pycharm,代理模式)