python爬虫day-5（代理的基本原理）

个人学习笔记，方便自己查阅，仅供参考，欢迎交流

代理的基本原理

网站会采取一些反爬虫措施。比如，服务器会检测某个IP在单位时间内的请求次数，如果超过了阀值，就会直接拒绝服务，返回错误信息，这种情况可以称为封IP。一种有效的方式就是使用代理，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。

A.基本原理

• 代理是指代理服务器，功能是代理网络用户去取得网络信息，是网络信息的中转站。
• 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。
• 设置代理服务器，是在本机和服务器之间搭建一个桥， 本机不直接向Web 服务器发起请求，而是向代理服务器发出请求，由代理服务器再发送给Web服务器，再由代理服务器再把 Web 务器返回的响应转发给本机。
• 这个过程中Web服务器识别出的真实IP不再是本机的IP了，就成功实现了IP伪装。

B.代理的作用

• 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。
• 提高访问速度。
• 隐藏真实IP，对于爬虫来说，用代理就是为了隐藏自身IP，防止IP被封锁。

C.爬虫代理

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。

D.代理分类

1.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冲存功能，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，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，所以速度很快，一般有缓存功能，端口一般为1080。

2.根据匿名程度区分

• 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个普通客户端访问，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。
• 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。

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