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403Forbidden，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 卫，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P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 proxyserver，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P 就不再是我们本机的P了，就成功实现了P伪装，这就是代理的基本原理。

代理的作用

那么，代理有什么作用呢?我们可以简单列举如下
突破自身IP访问限制，访问一些平时不能访问的站点。

口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。

口提高访问速度: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。

口隐藏真实 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，防止自身的P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2.5.3爬虫代理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 P，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。口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：

口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、21、2121等。

口SSLITLS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8080、3128等。
强度)，端口一般为 443。口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。

口 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.

口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。

口 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。

口 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P是代理服务器的IP。

口普通名代理: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，也有一定率追查到客户端的真实IP。代理服务器通常会加入的HITP头有HITPVA和HTP X FORWARDEDFOR透明代理:不但改动了数据包，还会告诉服务客的真实 。这种代理除了能用缓在技求提高调览速度，能用内容过滤提高安全性之外，并无其他显著作用，最常见的例子是资被口尚谋代理:指组织威个人创违的用于记录用户传输的数据，然后进行新究、监控等目的的代中的硬件防火墙。

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 I，稳定性高，也是一种比较有效的解决方案。