代理服务器

爬虫正常运行过程中正常抓取数据，但有时可能就会遇到错误，比如403 Forbidden，表示服务器拒绝客户端的访问，此时你可能会看到“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，当服务器检测到某个IP在单位时间内的请求次数超过了设定的阈值，就会直接拒接服务，返回一些错误信息，这种情况称为封IP。解决这种问题的有效方式之一时使用代理伪装IP。

一、代理的基本原理

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，可以将它理解为网络信息的中转站。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，然后由代理服务器再发送给Web服务器，接着代理服务器再把Web服务器返回的响应转发给我们本机。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，这样就成功实现了IP伪装。

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。
• 提高访问速度。通常代理服务器都会设置一个较大的硬盘缓冲区，当有外界信息通过时，将其保存到缓冲区中，当其他用户再访问相同的信息时，则直接在缓冲区中取出信息传给用户，以提高访问速度。
• 隐藏真实IP。上网者可以通过代理隐藏自己的IP，免受攻击。 对于爬虫来说，使用代理就是为了隐藏自身IP，防止自身的IP被封锁。

三、代理的分类

1、根据协议区分

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、服务端域名解析等。简单来说SOCK4S能做到的SOCKS5都可以做到，反过来就不一定。

2、根据匿名程度区分

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。
• 普通匿名服务器。会在数据包上做一些改动，服务端有可能会发现这是个代理服务器，也有可能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。

三、常见的代理设置

1）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。

2）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。

3）ADSL拨号。拨一次号换一次IP，稳定性高，也是一种比较有效的解决方案。