Scrapy爬虫框架补充内容三(代理及其基本原理介绍)

前言：（本文参考维基百科及百度百科所写）

当我们使用爬虫抓取数据时，有时会产生错误比如：突然跳出来了403 Forbidden 或者网页上出现以下提示：您的ip访问频率太高 或者时不时跳出一个验证码需要你输入，这是由于网站采取了反爬虫措施：服务器会检查某个固定的ip在单位时间内请求的次数，如果发现请求过于频繁就会封掉你的ip，就像你一直找人办事，突然有一天帮你办事的人不乐意了，就对你说滚！（即我们的ip被封了！），这里我们引入一个全新的概念：代理

---

1、What is 代理？

答：代理也叫代理服务器（Proxy server），它的作用是代表用户去获取网络信息（这里给小伙伴们做个类别：比如说你要去买房子，但是你没路子，这是怎么办呢？我们一般都会去找房产中介，让中介去帮我们到开发商处获取第一手房屋交易信息，而这里的中介就相当于代理服务器，我们就是客户端了，而开发商就相当于存有大量数据的远程服务器了！）-----小伙伴们明白了吗？

2、代理工作原理图解：（这里我们只介绍正向代理服务器）

3、为什么要使用代理？

答：伪装我们自己的ip

（1）突破自带ip限制，访问一些平时不能访问的网站，这里我们以google推出中国为例，你的计算机是无法访问google的但一旦设置代理，就可以突破限制

（2）访问特定单位或群体的内部资源

（3）提高访问的速度

（4）隐藏我们自身真时的ip,一个ip永久了会很容易被封，特别是你使用爬虫大量爬取网站时，后期我们专门介绍爬虫代理的使用

4、代理分类

（1）根据代理的协议划分：

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108

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（简单理解：后者是前者的升级版）

（2）根据匿名程度划分：

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

（3）是否付费：

免费代理：比如你可以上西刺（http://www.xicidaili.com）上找到大量的随机代理，但这些代理的使用率相当低，你需要随时跟换代理

付费代理：毕竟出钱了吧，稳定性肯定优于免费的

5、总结

代理顾名思义就是代表你去访问远程的服务器并获取你想要的信息，这里对于下面我们写的小爬虫我们可以使用免费代理，毕竟谁也不是富二代或管二代，但对于大型爬虫项目，如需使用代理，还是推荐各位小伙伴，花钱得花在刀口上吧！