我們在做爬蟲的過程中經(jīng)常會(huì)遇到這樣的情況，最初爬蟲正常運(yùn)行，正常抓取數(shù)據(jù)，一切看起來都是那么美好，然而一杯茶的功夫可能就會(huì)出現(xiàn)錯(cuò)誤，比如403 Forbidden，這時(shí)候打開網(wǎng)頁一看，可能會(huì)看到“您的IP訪問頻率太高”這樣的提示。出現(xiàn)這種現(xiàn)象的原因是網(wǎng)站采取了一些反爬蟲措施。比如，服務(wù)器會(huì)檢測某個(gè)IP在單位時(shí)間內(nèi)的請求次數(shù)，如果超過了這個(gè)閾值，就會(huì)直接拒絕服務(wù)，返回一些錯(cuò)誤信息，這種情況可以稱為封IP。

　　既然服務(wù)器檢測的是某個(gè)IP單位時(shí)間的請求次數(shù)，那么借助某種方式來偽裝我們的IP，讓服務(wù)器識(shí)別不出是由我們本機(jī)發(fā)起的請求，不就可以成功防止封IP了嗎?

　　一種有效的方式就是使用代理，后面會(huì)詳細(xì)說明代理的用法。在這之前，需要先了解下代理的基本原理，它是怎樣實(shí)現(xiàn)IP偽裝的呢?

　　1. 基本原理

　　代理實(shí)際上指的就是代理服務(wù)器，英文叫作proxy server，它的功能是代理網(wǎng)絡(luò)用戶去取得網(wǎng)絡(luò)信息。形象地說，它是網(wǎng)絡(luò)信息的中轉(zhuǎn)站。在我們正常請求一個(gè)網(wǎng)站時(shí)，是發(fā)送了請求給Web服務(wù)器，Web服務(wù)器把響應(yīng)傳回給我們。如果設(shè)置了代理服務(wù)器，實(shí)際上就是在本機(jī)和服務(wù)器之間搭建了一個(gè)橋，此時(shí)本機(jī)不是直接向Web服務(wù)器發(fā)起請求，而是向代理服務(wù)器發(fā)出請求，請求會(huì)發(fā)送給代理服務(wù)器，然后由代理服務(wù)器再發(fā)送給Web服務(wù)器，接著由代理服務(wù)器再把Web服務(wù)器返回的響應(yīng)轉(zhuǎn)發(fā)給本機(jī)。這樣我們同樣可以正常訪問網(wǎng)頁，但這個(gè)過程中Web服務(wù)器識(shí)別出的真實(shí)IP就不再是我們本機(jī)的IP了，就成功實(shí)現(xiàn)了IP偽裝，這就是代理的基本原理。

　　2. 代理的作用

　　那么，代理有什么作用呢?我們可以簡單列舉如下。

　　突破自身IP訪問限制，訪問一些平時(shí)不能訪問的站點(diǎn)。

　　訪問一些單位或團(tuán)體內(nèi)部資源：比如使用教育網(wǎng)內(nèi)地址段免費(fèi)代理服務(wù)器，就可以用于對教育網(wǎng)開放的各類FTP下載上傳，以及各類資料查詢共享等服務(wù)。

　　提高訪問速度：通常代理服務(wù)器都設(shè)置一個(gè)較大的硬盤緩沖區(qū)，當(dāng)有外界的信息通過時(shí)，同時(shí)也將其保存到緩沖區(qū)中，當(dāng)其他用戶再訪問相同的信息時(shí)，則直接由緩沖區(qū)中取出信息，傳給用戶，以提高訪問速度。

　　隱藏真實(shí)IP：上網(wǎng)者也可以通過這種方法隱藏自己的IP，免受攻擊。對于爬蟲來說，我們用代理就是為了隱藏自身IP，防止自身的IP被封鎖。

　　3. 爬蟲代理

　　對于爬蟲來說，由于爬蟲爬取速度過快，在爬取過程中可能遇到同一個(gè)IP訪問過于頻繁的問題，此時(shí)網(wǎng)站就會(huì)讓我們輸入驗(yàn)證碼登錄或者直接封鎖IP，這樣會(huì)給爬取帶來極大的不便。

　　使用代理隱藏真實(shí)的IP，讓服務(wù)器誤以為是代理服務(wù)器在請求自己。這樣在爬取過程中通過不斷更換代理，就不會(huì)被封鎖，可以達(dá)到很好的爬取效果。

　　4. 代理分類

　　代理分類時(shí)，既可以根據(jù)協(xié)議區(qū)分，也可以根據(jù)其匿名程度區(qū)分。

　　(1) 根據(jù)協(xié)議區(qū)分

　　根據(jù)代理的協(xié)議，代理可以分為如下類別。

　　FTP代理服務(wù)器：主要用于訪問FTP服務(wù)器，一般有上傳、下載以及緩存功能，端口一般為21、2121等。

　　HTTP代理服務(wù)器：主要用于訪問網(wǎng)頁，一般有內(nèi)容過濾和緩存功能，端口一般為80、8080、3128等。

　　SSL/TLS代理：主要用于訪問加密網(wǎng)站，一般有SSL或TLS加密功能(最高支持128位加密強(qiáng)度)，端口一般為443。

　　RTSP代理：主要用于訪問Real流媒體服務(wù)器，一般有緩存功能，端口一般為554。

　　Telnet代理：主要用于telnet遠(yuǎn)程控制(黑客入侵計(jì)算機(jī)時(shí)常用于隱藏身份)，端口一般為23。

　　POP3/SMTP代理：主要用于POP3/SMTP方式收發(fā)郵件，一般有緩存功能，端口一般為110/25。

　　SOCKS代理：只是單純傳遞數(shù)據(jù)包，不關(guān)心具體協(xié)議和用法，所以速度快很多，一般有緩存功能，端口一般為1080。SOCKS代理協(xié)議又分為SOCKS4和SOCKS5，前者只支持TCP，而后者支持TCP和UDP，還支持各種身份驗(yàn)證機(jī)制、服務(wù)器端域名解析等。簡單來說，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) 根據(jù)匿名程度區(qū)分

　　根據(jù)代理的匿名程度，代理可以分為如下類別。

　　高度匿名代理：會(huì)將數(shù)據(jù)包原封不動(dòng)地轉(zhuǎn)發(fā)，在服務(wù)端看來就好像真的是一個(gè)普通客戶端在訪問，而記錄的IP是代理服務(wù)器的IP。

　　普通匿名代理：會(huì)在數(shù)據(jù)包上做一些改動(dòng)，服務(wù)端上有可能發(fā)現(xiàn)這是個(gè)代理服務(wù)器，也有一定幾率追查到客戶端的真實(shí)IP。代理服務(wù)器通常會(huì)加入的HTTP頭有HTTP_VIA和HTTP_X_FORWARDED_FOR。

　　透明代理：不但改動(dòng)了數(shù)據(jù)包，還會(huì)告訴服務(wù)器客戶端的真實(shí)IP。這種代理除了能用緩存技術(shù)提高瀏覽速度，能用內(nèi)容過濾提高安全性之外，并無其他顯著作用，最常見的例子是內(nèi)網(wǎng)中的硬件防火墻。

　　間諜代理：指組織或個(gè)人創(chuàng)建的用于記錄用戶傳輸?shù)臄?shù)據(jù)，然后進(jìn)行研究、監(jiān)控等目的的代理服務(wù)器。

　　5. 常見代理設(shè)置

　　使用網(wǎng)上的免費(fèi)代理：最好使用高匿代理，另外可用的代理不多，需要在使用前篩選一下可用代理，也可以進(jìn)一步維護(hù)一個(gè)代理池。

　　使用付費(fèi)代理服務(wù)：互聯(lián)網(wǎng)上存在許多代理商，可以付費(fèi)使用，質(zhì)量比免費(fèi)代理好很多。

　　ADSL撥號(hào)：撥一次號(hào)換一次IP，穩(wěn)定性高，也是一種比較有效的解決方案。

　　在后文我們會(huì)詳細(xì)介紹這幾種代理的使用方式。