注意: IP代理精灵仅提供国内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。

请登录 注册 实名验证

首页 > 新闻资讯 > 数据采集爬虫代理的基本原理

数据采集爬虫代理的基本原理

来源:IP代理精灵 作者:admin 时间:2019-05-24 11:21:54

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,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。

数据采集爬虫代理的基本原理

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?


1. 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。


2. 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。


3. 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,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。


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,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. 22

    2019-03

    IP代理除了无障碍上网,还能做些什么?

    有的网站倾向于隐藏或隐藏公司IP地址中的数据。代理IP可以帮助减少这个隐藏的真实内容并显示真实数据。

  2. 04

    2018-12

    爬虫如何正确的使用IP池

    爬虫在爬取数据时,需要用到IP池,万一IP被封,即可通过IP池切换IP,继续工作。如果在爬取的过程中,不注意操作,非常容易被反爬虫机制识别,导致大批IP被封,这些IP获取也不容易,那么...

  3. 26

    2019-09

    代理IP保护个人隐私安全

    代理IP保护个人隐私安全。在互联网信息化时代下,网络为人们的生活工作提供很大的帮助,改变了社会的发展,但在互联网发展的同时,人们使用网络的安全隐患也越来越显著。ip地址我们可

  4. 18

    2019-03

    网络爬虫一定用代理IP吗,不用代理IP加快速度会被封吗?

    网络爬虫一定用代理IP吗?好多人认为网络爬虫必须要加代理IP,没了代理IP将无路可走;也有些人认为代理IP是非需要的。这是为什么呢?不能直接用采集工具吗?

  5. 05

    2019-07

    爬虫被封IP的问题如何有效解决

    在爬虫工作中,最头痛的问题莫过于爬着爬着就歇菜了,这是因为在网络爬虫抓取信息的过程中,抓取频率高过了目标网站的设置阀值,将会被禁止访问。大数据时代下的爬虫工作这么重要,可

  6. 29

    2019-05

    HTTP代理IP的两种代理模式

    市面上现在有很多代理IP的产品,可以解决很多由于IP限制问题的工作。代理IP软件就是通过更换各地IP的方法,来隐藏真实IP,保证工作的正常进行,及用户的个人信息安全。一种是动态代理模