网页爬虫使用代理IP的几种方案，爬虫如何设置代理？

一、前言

在进行网络爬虫开发的时候，尤其是进行高频率的请求时，为避免被封，我们需要使用代理IP。代理IP可以隐藏真实IP地址，可以有效降低被封的概率。这里将介绍几种常见的代理IP使用方案和其使用方式，并通过代码案例进行演示。

二、代理IP方案

在使用代理IP之前，需要先了解几种代理IP的方案。

1. HTTP代理

最常见的代理IP方案，只能代理HTTP请求，无法代理HTTPS请求。

2. SOCKS5代理

除了支持HTTP代理，还支持socks5协议，可以代理TCP和UDP请求。

3. 购买代理服务

购买代理服务，一般有高匿代理、透明代理和代理池等，可以根据需求购买。

三、代理IP使用方式

1. 使用requests库

requests库是Python中常用的网络请求库，可以很方便地设置代理IP。具体代码如下：

import requests

proxy = {
    'http': 'http://10.10.1.10:3128',
    'https': 'http://10.10.1.10:1080'
}
requests.get(url, proxies=proxy)

其中，`http`和`https`分别表示代理服务器的协议类型，`10.10.1.10:3128`和`10.10.1.10:1080`表示代理服务器的IP地址和端口号。

2. 使用urllib库

urllib库也可以设置代理IP，具体代码如下：

import urllib.request

proxy = urllib.request.ProxyHandler({'http': 'http://10.10.1.10:3128'})
opener = urllib.request.build_opener(proxy)
urllib.request.install_opener(opener)
response = urllib.request.urlopen(url)

其中，`http`表示代理服务器的协议类型，`10.10.1.10:3128`表示代理服务器的IP地址和端口号。

3. 使用selenium库

selenium库可以模拟浏览器行为，可以设置代理IP。具体代码如下：

from selenium.webdriver import Chrome, ChromeOptions

options = ChromeOptions()
options.add_argument('--proxy-server=http://10.10.1.10:3128')
driver = Chrome(options=options)
driver.get(url)

其中，`http`表示代理服务器的协议类型，`10.10.1.10:3128`表示代理服务器的IP地址和端口号。

4. 使用scrapy框架

scrapy框架是Python中常用的爬虫框架，也可以很方便地设置代理IP。具体代码如下：

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['http://www.example.com']

    custom_settings = {
        'DOWNLOADER_MIDDLEWARES': {
            'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 1,
            'myproject.middlewares.ProxyMiddleware': 100,
        },
    }

    def parse(self, response):
        pass

其中，`myproject.middlewares.ProxyMiddleware`是自定义的中间件，用于设置代理IP。

四、代码案例

1. 使用requests库设置代理IP

import requests

url = 'http://www.example.com'
proxy = {
    'http': 'http://10.10.1.10:3128',
    'https': 'http://10.10.1.10:1080'
}
response = requests.get(url, proxies=proxy)
print(response.text)

2. 使用urllib库设置代理IP

import urllib.request

url = 'http://www.example.com'
proxy = urllib.request.ProxyHandler({'http': 'http://10.10.1.10:3128'})
opener = urllib.request.build_opener(proxy)
urllib.request.install_opener(opener)
response = urllib.request.urlopen(url)
print(response.read())

3. 使用selenium库设置代理IP

from selenium.webdriver import Chrome, ChromeOptions

url = 'http://www.example.com'
options = ChromeOptions()
options.add_argument('--proxy-server=http://10.10.1.10:3128')
driver = Chrome(options=options)
driver.get(url)
print(driver.page_source)

4. 使用scrapy框架设置代理IP

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['http://www.example.com']

    custom_settings = {
        'DOWNLOADER_MIDDLEWARES': {
            'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 1,
            'myproject.middlewares.ProxyMiddleware': 100,
        },
    }

    def parse(self, response):
        pass

五、总结

设置代理IP可以有效地避免被封的风险，但需要注意选择合适的代理IP，并在使用代理IP时遵循相关法律法规。本文介绍了几种常见的代理IP方案和其使用方式，并提供了代码案例进行演示。