爬虫代理基本理解
一、概况：
我们在做爬虫时常常会遇到这种情况，最初爬虫正常运行，但是一段时间之后会出现错误，比如：403 Forbidden。这时候我们再打开目标网页就会看到 “您的 IP 访问频率太高” 这样的提示。出现这种情况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”。
如果服务器会检测某个 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，让服务器识别不出来是由我们本机发出的，不就可以成功防止 IP 被封了吗。一种有效的方法就是 使用代理。
二、基本原理：
代理指的是代理服务器。我们在正常请求一个网站时，是由我们的本机发送了请求给 Web 服务器，Web 服务器再把响应传回给我们的本机。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中转站，此时本机不是直接向 Web服务器 发送请求，而是向 代理服务器 发送请求，请求再由 代理服务器 发送给 Web服务器 ，接着 Web服务器 再将响应传回 代理服务器，代理服务器 再将响应传给我们本机。这样我们可以正常访问网页，但是这个过程中 Web服务器 识别出来的真实 IP 就不再是我们的本机 IP ，我们也就成功的伪装了 IP，这就是代理的基本原理。
三、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比较大的硬盘缓冲区，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式隐藏自己的 IP,免受攻击，对爬虫来说，我们使用代理就是为了隐藏自己的 IP，防止自身 IP 被封锁。
四、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、根据协议区分：
-
FTP 代理服务器：
主要用于访问 FTP 服务器，一般有长传、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：
主要用于访问 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，不关系具体协议和用法，所以速度快很多，一般有缓存功能，端口一般为 1080。其中 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。简单说 SOCKS5 能做到的 SOCKS4 不一定能做到，但是 SOCKS4 能做到的 SOCKS5 一定能做到。
2、根据匿名程度区分
-
高度匿名代理：
会将数据包原封不动的转发，在服务端看来就好象真的是一个普通客户端再访问，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代理服务器，也有一定机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器速度，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以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，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，也是一种比较有效的解决方案。
所有内容全部引自《python3 网络爬虫开发实战（人民邮电出版社）》，此笔记仅用于学习交流。