注意: IP精灵代理仅提供国内ip网络节点,不提供境外网络节点,不能用于任何非法用途或访问境外封闭网站,不能跨境联网,只能用于合法的国内网络加速。

您好,请登录 没有账号?

首页 > 新闻资讯 > 数据采集爬虫ip代理的基本原理

数据采集爬虫ip代理的基本原理

来源:IP代理精灵 作者:admin 时间:2019-05-08 11:10:05

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正常,然而一杯茶的功夫可能就会出现错误,比如403 Forbidden。

数据采集爬虫ip代理的基本原理

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。出现这种情况有效的解决方式就是使用代理IP


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。


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IP,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ip代理,后面会详细说明ip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IP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proxy server,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。


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。


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。


爬虫代理IP 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,此时网站就会让我们输入验证码登录或者直接封锁IP,这样会给爬取带来极大的不便。


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


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。


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IP,稳定性高,但是比较繁琐,也是一种比较有效的解决方案。


最新资讯

推荐阅读

  1. 11

    2019-07

    换IP地址可以用虚拟ip吗

    换IP地址可以用虚拟ip吗?找个可用的IP换,好麻烦,要验证很多个IP才能找到个能用的,实在是麻烦多了,能不能简单些呢?有没有虚拟的IP使用,不需要使用很久的。就是一个未分配给真实主

  2. 01

    2019-03

    在多线程中怎么调用动态代理IP

    一个简单的爬虫是非常容易编写的,只要熟悉基本的一些结构就行,但是要爬取大量的数据时,简单的爬虫根本不顶用,需要使用多线程或者多进程等。使用多线程虽然是可以提高爬虫的效率,

  3. 06

    2019-07

    高效稳定的代理IP是爬虫工作者的首选

    随着大数据和智能化时代的发展,爬虫作为重要的数据来源,也日渐重要。爬虫工作者自身需要一些技术来适应时代的要求,作为一个优秀的爬虫工程师,对于爬虫策略与反爬虫策略要有很深的

  4. 20

    2019-05

    代理服务器怎么操作?有什么风险?

    最近很多用户咨询我们代理服务器方面的问题,小编针对这些问题做了一些整理。今天就和大家简单的介绍一下代理服务器那些事儿。什么是代理服务器?代理服务器充当您和互联网之间的网关

  5. 22

    2019-01

    爬虫使用scrapy模拟登录方法

    在数据爬取时,我们时常使用到爬虫,因为在爬取的过程中会出现反爬虫,我们先要进行突破才能获取到数据。比如IP限制,可以使用IP代理精灵来突破IP限制,顺利的突破网络限制,可以实现多

  6. 14

    2019-05

    IP代理精灵分享网站反爬虫机制的一般方式

    IP代理精灵​分享网站反爬虫机制的一般方式,在大数据资源整合的过程中,有爬虫和反爬虫。网站越大,网站越成熟,反爬行动机制越完善,初始IP限制,验证码限制和其他限制。今天我们一

在线客服
大客户VIP渠道
点击这里给我发消息
讨论QQ群
HTTP代理IP爬虫
客服电话
13318873961