python爬虫基础（五）代理的基本原理

对于爬虫来说，由于爬虫的爬取速度过快，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直接封锁IP，所以我们就需要代理来防止发生。

一、基本原理

代理实际上指的是代理服务器，它的功能是代理网络用户去取得网络信息。换句话说，它是信息的中转站。

二、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：比如使用教育网内地址免费代理服务器，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，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，就是为了防止自身的IP被封锁。

三、爬虫代理

使用代理隐藏真实的IP，让服务器误以为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。

四、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、下载以及缓存功能，端口一般为21、2121等。

HTTP代理服务器：主要用于访问加密网站，一般有内容过滤和缓存功能，端口一般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128位加密强度），端口一般为443。

RTSP代理：主要用于Real流媒体服务器，一般有缓存功能，端口一般为80、8080、3128等。

Talnet代理：主要用于talent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/SMPT代理：主要用于POP3/SMPT方式收发邮件，一般有缓存功能，端口一般为110/25。

SOCK3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。

2.根据匿名程度区分

高度匿名代理：会将数据原封不动地转发，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则是代理服务器的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。

五、常见代理设置

使用网上的免费代理：最好使用高匿代理。

使用付费代理服务

ADSL拨号：拨一次号换一次IP。