在做爬虫时有时会遇到这种情况,最初爬虫正常运行,正常抓取数据,但一段时间后可能会出现错误,如403 Forbidden,这时打开网页可能会看到“您的IP访问频率太高”的提示。出现这种现象的原因是网站采取了一些反爬虫的措施,比如服务器会检测某个IP在单位时间内的请求次数,如果超过这个阈值就会直接拒绝服务,返回一些错误信心,这种情况称为封IP,于是就成功把我们的爬虫禁掉了。
服务器检测的是某个IP单位时间的请求次数,我们可以借助某种方式伪装我们的IP,让服务器识别不出是由我们本机发出的请求,这样就可以成功防止封IP了。使用代理是一种十分有效的方法,我们可以使用它来成功伪装IP,避免本机IP被封的情况。
1.基本原理
我们常说的代理指的是代理服务器,英文名Proxy Server,它的功能是代理网络用户去取得网络信息,形象的说就是网络信息的中转站。正常请求网页时是本机直接发送Request给Web服务器,Web服务器把Response传回。如果设置了代理,实际就是在本机和服务器支架搭了一个桥,本机不会直接向Web服务器发起请求,而是向代理发出请求,Request会发给代理服务器,然后由代理服务器在发给Web服务器,然后由代理服务器将Web服务器返回的Response转发给本机,这样我们同样可以正常访问网页,但这个过程Web服务器识别出的真实IP不是本机的IP了,这就成功实现了IP伪装。
2.代理的作用
列举如下:
突破自身IP限制,访问一些平时不能访问的站点
访问一些单位或团体的内部资源,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服务等
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是,同时也将其保存到缓冲区中,当其他用户再访问相同信息时,直接从缓冲区中取出信息传给用户,以提高访问速度
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,对于爬虫来说用代理就是为了隐藏自身IP,防止自身IP被封锁。
3.爬虫代理
对爬虫来说,由于爬虫爬取速度过快,在爬取过程中可能会遇到同一个IP访问过于频繁的问题,网站就会让我们输入验证码或登录或直接封锁IP,这样会给爬取带来极大的不便。
使用代理隐藏IP,让服务器误以为是代理服务器在请求自己,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。
4.代理分类
代理分类可以根据协议区分也可以根据匿名程度区分,总结如下:
根据协议区分
FTP 代理服务器,主要用于访问 FTP 服务器,一般有上传、下载以及缓存功能,端口一般为 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 Realplayer 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(黑客入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,SOCKS4 协议只支持 TCP,而 SOCKS5 协议支持 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,SOCK4能做到的SOCKS5都可以做到,但SOCKS5能做到的SOCK4不一定能做到。
根据匿名程度区分
高度匿名代理,高度匿名代理会将数据包原封不动的转发,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 IP。
普通匿名代理,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 IP。代理服务器通常会加入的 HTTP 头有 HTTP_VIA 和 HTTP_X_FORWARDED_FOR。
透明代理,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,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、监控等目的代理服务器。
4.常见代理设置
使用网上的免费代理,最好使用高匿代理,使用前抓取下来筛选一下可用代理,也可以进一步维护一个代理池。
使用付费代理服务,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,拨一次号换一个IP,稳定性高,也是一种比较有效的解决方案。