http/https等爬虫代理ip的基本实现原理

爬虫工作者在试用爬虫进行数据搜集的过程中经常会遇到这样的情况，刚开始的时候爬虫的运行情况是正常的，数据的抓取状况也在有条不紊的进行着，然而可能你一眼照顾不到就会出现错误，比如403 Forbidden，这时候你打开网页的话，网页上面会提示你，“您的IP访问频率太高”这样的字眼。出现这种现象的原因就是被访问网站采取了反爬虫机制，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。

那么这种情况的解决方法很简单，既然他能检测出来某个IP的请求次数，那么借助代理IP来伪装本身的IP地址是最好的方法，这样做可以防止IP被封锁。

那么了解一下代理IP的基本原理，看看代理IP是如何进行伪装的

基本原理

代理实际上就是代理服务器，代理IP的功能就是代理网络客户去获取网络信息。试用比喻的手法就是说他就相当于一个网络信息的中转站。当一个网站被我们正常的进行请求的时候，是发送了请求给web服务器，web服务器把响应传回给我们。如果在中间设置了代理服务器，实际上就是在本机和被访问网站之间设置了一个桥梁，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。

2. 代理的作用

下面我们说说HTTP代理IP的作用

突破自身IP访问限制，访问一些平时不能访问的站点。
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。
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。
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。

3. 爬虫代理

爬虫在抓取数据的时候，由于爬虫速度过于块，会出现同一个IP访问过于频繁的问题，此时网站就会出现验证或者是直接封锁本机IP，这样会给数据爬取带来很大的不便

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爬虫代理IP，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
根据代理的协议，代理可以分为如下类别。

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，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，SOCK4能做到的SOCKS5都可以做到，但SOCKS5能做到的SOCK4不一定能做到。
(2) 根据匿名程度
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：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。

5. 常见代理设置

使用网上的免费代理：最好使用高匿代理IP，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。