python爬虫 - 代理ip正确使用方法

        主要内容：代理ip使用原理，怎么在自己的爬虫里设置代理ip，怎么知道代理ip是否生效，没生效的话哪里出了问题，个人使用的代理ip(付费）。

目录

代理ip原理

输入网址后发生了什么呢？

代理ip做了什么呢？

为什么要用代理呢？

爬虫代码中使用代理ip

代理ip的获取

检验代理ip是否生效

未生效问题排查

1.请求协议不匹配

2.代理失效

---

代理ip原理

输入网址后发生了什么呢？

1.浏览器获取域名

2.通过DNS协议获取域名对应服务器的ip地址

3.浏览器和对应的服务器通过三次握手建立TCP连接

4.浏览器通过HTTP协议向服务器发送数据请求

5.服务器将查询结果返回给浏览器

6.四次挥手释放TCP连接

7.浏览器渲染结果

其中涉及到了：

应用层：HTTP和DNS

传输层：TCP UDP

网络层：IP ICMP ARP

代理ip做了什么呢？

简单来说，就是：

原本你的访问

使用代理后你的访问

为什么要用代理呢？

        因为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。而代理ip就避免了这个问题：

爬虫代码中使用代理ip

就像是请求时伪装头一样，伪装ip，注意是 { }

proxies = {
           'https':'117.29.228.43:64257',
           'http':'117.29.228.43:64257'
       }

requests.get(url, headers=head, proxies=proxies, timeout=3) #proxies

代理ip的获取

        像我们刚刚的proxies存储的代理，是可以直接作为参数传进requests里面使用的。那现在我们就来做这个proxies

        首先打开一个代理IP提供商，大家也可以从网上搜，百度一大堆（不打广告了，几乎所有代理ip我记得新用户注册都有赠送的试用），我们一般使用api获取，也就是接口直接获取我们需要的ip，由供应商返回提供给我们的ip信息：

        我这里从URL点击进去使用api来做示范，会生成一个url链接，我们requests直接请求这个链接，就可以获得代理IP详细信息。

# 这里参数控制了数量 格式 和ip协议等等 这也算是它的一个优势吧，多的话可以提取几百，而且可以指定城市从固定地点提取ip，更符合爬虫模拟人类的行为特征。
url = "http://xxxxxxxxx/getProxyIp?num=1&return_type=txt&lb=1&sb=0&flow=1&regions=&protocol=http"

# 输出ip
res = requests.get(url)
print(res.text)
# 这个ip就可以放在我们实际要请求的网页requests中了

检验代理ip是否生效

我们访问一个网站，这个网站会返回我们的ip地址：

print(requests.get('http://httpbin.org/ip', proxies=proxies, timeout=3).text)

        划重点，我使用代理IP进行访问，如果返回来不是我的IP，说明代理ip可用，可以伪装，也可以帮我们带回想要的信息。

我们看一下我使用了四个不同的代理ip，全部生效了，

未生效问题排查

如果你返回的还是本机地址，99%试一下两种情况之一：

1.请求协议不匹配

简单来说就是，如果你请求的是http，就要用http的协议，如果是https，就要用https的协议。

如果我请求是http ，但只有https，就会使用本机ip。

        划重点，我们获取的代理是两种都支持的，但是要自己向我那样配置，就像是买了鸟，你不给它飞的空间，那当然是飞不起来的，这属于我们自己的问题。

2.代理失效

        这就不是我们的问题了。所谓便宜没好货，好货不便宜。如果确实大规模爬虫是必须的话，还是买代理ip比较好，网上广告满天飞的某些代理实际性价比有些低了，自己常用的已经在上面分享了，其他的不了解就不做过多推荐了。

        当然如果你是业余爱好，那也可以从网上找一些免费的代理玩玩，但是效果确实不怎么好。。。。。