我們在做爬蟲的過程中經(jīng)常會遇到這樣的情況，最初爬蟲正常運行，正常抓取數(shù)據(jù)，一切看起來都是那么的美好，然而一杯茶的功夫可能就會出現(xiàn)錯誤，比如 403 Forbidden，這時候打開網(wǎng)頁一看，可能會看到 “您的 IP 訪問頻率太高” 這樣的提示，或者跳出一個驗證碼讓我們輸入，輸入之后才可能解封，但是輸入之后過一會兒就又這樣了。

出現(xiàn)這種現(xiàn)象的原因是網(wǎng)站采取了一些反爬蟲的措施，比如服務(wù)器會檢測某個 IP 在單位時間內(nèi)的請求次數(shù)，如果超過了這個閾值，那么會直接拒絕服務(wù)，返回一些錯誤信息，這種情況可以稱之為封 IP，于是乎就成功把我們的爬蟲禁掉了。

既然服務(wù)器檢測的是某個 IP 單位時間的請求次數(shù)，那么我們借助某種方式來偽裝我們的 IP，讓服務(wù)器識別不出是由我們本機發(fā)起的請求，不就可以成功防止封 IP 了嗎？所以這時候代理就派上用場了。

本課時我們先來看下代理的基本原理和使用代理處理反爬蟲的方法。

1.基本原理

代理實際上指的就是代理服務(wù)器，英文叫作 proxy server，它的功能是代理網(wǎng)絡(luò)用戶去獲取網(wǎng)絡(luò)信息。形象地說，它是網(wǎng)絡(luò)信息的中轉(zhuǎn)站。在我們正常請求一個網(wǎng)站時，是發(fā)送了請求給 Web 服務(wù)器，Web 服務(wù)器把響應(yīng)傳回給我們。如果設(shè)置了代理服務(wù)器，實際上就是在本機和服務(wù)器之間搭建了一個橋，此時本機不是直接向 Web 服務(wù)器發(fā)起請求，而是向代理服務(wù)器發(fā)出請求，請求會發(fā)送給代理服務(wù)器，然后由代理服務(wù)器再發(fā)送給 Web 服務(wù)器，接著由代理服務(wù)器再把 Web 服務(wù)器返回的響應(yīng)轉(zhuǎn)發(fā)給本機。這樣我們同樣可以正常訪問網(wǎng)頁，但這個過程中 Web 服務(wù)器識別出的真實 IP 就不再是我們本機的 IP 了，就成功實現(xiàn)了 IP 偽裝，這就是代理的基本原理。

2.代理的作用

那么，代理有什么作用呢？我們可以簡單列舉如下。

• 突破自身 IP 訪問限制，訪問一些平時不能訪問的站點。
• 訪問一些單位或團體內(nèi)部資源，如使用教育網(wǎng)內(nèi)地址段免費代理服務(wù)器，就可以用于對教育網(wǎng)開放的各類 FTP 下載上傳，以及各類資料查詢共享等服務(wù)。
• 提高訪問速度，通常代理服務(wù)器都設(shè)置一個較大的硬盤緩沖區(qū)，當(dāng)有外界的信息通過時，也將其保存到緩沖區(qū)中，當(dāng)其他用戶再訪問相同的信息時， 則直接由緩沖區(qū)中取出信息，傳給用戶，以提高訪問速度。
• 隱藏真實 IP，上網(wǎng)者也可以通過這種方法隱藏自己的 IP，免受攻擊，對于爬蟲來說，我們用代理就是為了隱藏自身 IP，防止自身的 IP 被封鎖。

3.爬蟲代理

對于爬蟲來說，由于爬蟲爬取速度過快，在爬取過程中可能遇到同一個 IP 訪問過于頻繁的問題，此時網(wǎng)站就會讓我們輸入驗證碼登錄或者直接封鎖 IP，這樣會給爬取帶來極大的不便。

使用代理隱藏真實的 IP，讓服務(wù)器誤以為是代理服務(wù)器在請求自己。這樣在爬取過程中通過不斷更換代理，就不會被封鎖，可以達到很好的爬取效果。

4.代理分類

代理分類時，既可以根據(jù)協(xié)議區(qū)分，也可以根據(jù)其匿名程度區(qū)分，下面分別總結(jié)如下：

4.1根據(jù)協(xié)議區(qū)分

根據(jù)代理的協(xié)議，代理可以分為如下類別：

• FTP 代理服務(wù)器，主要用于訪問 FTP 服務(wù)器，一般有上傳、下載以及緩存功能，端口一般為 21、2121 等。
• HTTP 代理服務(wù)器，主要用于訪問網(wǎng)頁，一般有內(nèi)容過濾和緩存功能，端口一般為 80、8080、3128 等。
• SSL/TLS 代理，主要用于訪問加密網(wǎng)站，一般有 SSL 或 TLS 加密功能（最高支持 128 位加密強度），端口一般為 443。
• RTSP 代理，主要用于 Realplayer 訪問 Real 流媒體服務(wù)器，一般有緩存功能，端口一般為 554。
• Telnet 代理，主要用于 telnet 遠程控制（黑客入侵計算機時常用于隱藏身份），端口一般為 23。
• POP3/SMTP 代理，主要用于 POP3/SMTP 方式收發(fā)郵件，一般有緩存功能，端口一般為 110/25。
• SOCKS 代理，只是單純傳遞數(shù)據(jù)包，不關(guān)心具體協(xié)議和用法，所以速度快很多，一般有緩存功能，端口一般為 1080。SOCKS 代理協(xié)議又分為 SOCKS4 和 SOCKS5，SOCKS4 協(xié)議只支持 TCP，而 SOCKS5 協(xié)議支持 TCP 和 UDP，還支持各種身份驗證機制、服務(wù)器端域名解析等。簡單來說，SOCK4 能做到的 SOCKS5 都可以做到，但 SOCKS5 能做到的 SOCK4 不一定能做到。

4.2根據(jù)匿名程度區(qū)分

根據(jù)代理的匿名程度，代理可以分為如下類別。

• 高度匿名代理，高度匿名代理會將數(shù)據(jù)包原封不動的轉(zhuǎn)發(fā)，在服務(wù)端看來就好像真的是一個普通客戶端在訪問，而記錄的 IP 是代理服務(wù)器的 IP。
• 普通匿名代理，普通匿名代理會在數(shù)據(jù)包上做一些改動，服務(wù)端上有可能發(fā)現(xiàn)這是個代理服務(wù)器，也有一定幾率追查到客戶端的真實 IP。代理服務(wù)器通常會加入的 HTTP 頭有 HTTP_VIA 和 HTTP_X_FORWARDED_FOR。
• 透明代理，透明代理不但改動了數(shù)據(jù)包，還會告訴服務(wù)器客戶端的真實 IP。這種代理除了能用緩存技術(shù)提高瀏覽速度，能用內(nèi)容過濾提高安全性之外，并無其他顯著作用，最常見的例子是內(nèi)網(wǎng)中的硬件防火墻。
• 間諜代理，間諜代理指組織或個人創(chuàng)建的，用于記錄用戶傳輸?shù)臄?shù)據(jù)，然后進行研究、監(jiān)控等目的的代理服務(wù)器。

5.常見代理類型

使用網(wǎng)上的免費代理，最好使用高匿代理，使用前抓取下來篩選一下可用代理，也可以進一步維護一個代理池。

• 使用付費代理服務(wù)，互聯(lián)網(wǎng)上存在許多代理商，可以付費使用，質(zhì)量比免費代理好很多。
• ADSL 撥號，撥一次號換一次 IP，穩(wěn)定性高，也是一種比較有效的解決方案。
• 蜂窩代理，即用 4G 或 5G 網(wǎng)卡等制作的代理，由于蜂窩網(wǎng)絡(luò)用作代理的情形較少，因此整體被封鎖的幾率會較低，但搭建蜂窩代理的成本較高。

6.代理設(shè)置

在前面我們介紹了多種請求庫，如 Requests、Selenium、Pyppeteer 等。我們接下來首先貼近實戰(zhàn)，了解一下代理怎么使用，為后面了解代理池打下基礎(chǔ)。

下面我們來梳理一下這些庫的代理的設(shè)置方法。

做測試之前，我們需要先獲取一個可用代理。搜索引擎搜索 “代理” 關(guān)鍵字，就可以看到許多代理服務(wù)網(wǎng)站，網(wǎng)站上會有很多免費或付費代理，比如免費代理“快代理”：https://www.kuaidaili.com/free/。但是這些免費代理大多數(shù)情況下都是不好用的，所以比較靠譜的方法是購買付費代理。付費代理各大代理商家都有套餐，數(shù)量不用多，穩(wěn)定可用即可，我們可以自行選購。

如果本機有相關(guān)代理軟件的話，軟件一般會在本機創(chuàng)建 HTTP 或 SOCKS 代理服務(wù)，本機直接使用此代理也可以。

在這里，我的本機安裝了一部代理軟件，它會在本地的 7890 端口上創(chuàng)建 HTTP 代理服務(wù)，即代理為127.0.0.1:7890，另外還會在 7891 端口創(chuàng)建 SOCKS 代理服務(wù)，即代理為 127.0.0.1:7891。

我只要設(shè)置了這個代理，就可以成功將本機 IP 切換到代理軟件連接的服務(wù)器的 IP 了。下面的示例里，我將使用上述代理來演示其設(shè)置方法，你也可以自行替換成自己的可用代理。設(shè)置代理后測試的網(wǎng)址是：http://httpbin.org/get，我們訪問該網(wǎng)址可以得到請求的相關(guān)信息，其中 origin 字段就是客戶端的 IP，我們可以根據(jù)它來判斷代理是否設(shè)置成功，即是否成功偽裝了 IP。

7.requests 設(shè)置代理

對于 requests 來說，代理設(shè)置非常簡單，我們只需要傳入 proxies 參數(shù)即可。

我在這里以我本機的代理為例，來看下 requests 的 HTTP 代理的設(shè)置，代碼如下：

import requests proxy = '127.0.0.1:7890' proxies = {'http': 'http://' + proxy,'https': 'https://' + proxy, } try:response = requests.get('https://httpbin.org/get', proxies=proxies)print(response.text) except requests.exceptions.ConnectionError as e:print('Error', e.args) 運行結(jié)果： {"args": {},"headers": {"Accept": "*/*","Accept-Encoding": "gzip, deflate","Host": "httpbin.org","User-Agent": "python-requests/2.22.0","X-Amzn-Trace-Id": "Root=1-5e8f358d-87913f68a192fb9f87aa0323"},"origin": "210.173.1.204","url": "https://httpbin.org/get" }

可以發(fā)現(xiàn)，我們通過一個字典的形式就設(shè)置好了 HTTP 代理，它分為兩個類別，有 HTTP 和 HTTPS，如果我們訪問的鏈接是 HTTP 協(xié)議，那就用 http 字典名指定的代理，如果是 HTTPS 協(xié)議，那就用 https 字典名指定的代理。

其運行結(jié)果的 origin 如是代理服務(wù)器的 IP，則證明代理已經(jīng)設(shè)置成功。

如果代理需要認證，同樣在代理的前面加上用戶名密碼即可，代理的寫法就變成如下所示：

proxy = 'username:password@127.0.0.1:7890'

這里只需要將 username 和 password 替換即可。

如果需要使用 SOCKS 代理，則可以使用如下方式來設(shè)置：

import requests proxy = '127.0.0.1:7891' proxies = {'http': 'socks5://' + proxy,'https': 'socks5://' + proxy } try:response = requests.get('https://httpbin.org/get', proxies=proxies)print(response.text) except requests.exceptions.ConnectionError as e:print('Error', e.args)

在這里，我們需要額外安裝一個包，這個包叫作 requests[socks]，安裝命令如下所示：

pip3 install "requests[socks]"

運行結(jié)果是完全相同的：

{"args": {},"headers": {"Accept": "*/*","Accept-Encoding": "gzip, deflate","Host": "httpbin.org","User-Agent": "python-requests/2.22.0","X-Amzn-Trace-Id": "Root=1-5e8f364a-589d3cf2500fafd47b5560f2"},"origin": "210.173.1.204","url": "https://httpbin.org/get" }

另外，還有一種設(shè)置方式即使用 socks 模塊，也需要像上文一樣安裝 socks 庫。這種設(shè)置方法如下所示：

import requests import socks import socket socks.set_default_proxy(socks.SOCKS5, '127.0.0.1', 7891) socket.socket = socks.socksocket try:response = requests.get('https://httpbin.org/get')print(response.text) except requests.exceptions.ConnectionError as e:print('Error', e.args)

使用這種方法也可以設(shè)置 SOCKS 代理，運行結(jié)果完全相同。相比第一種方法，此方法是全局設(shè)置。我們可以在不同情況下選用不同的方法。

8.Selenium 設(shè)置代理

Selenium 同樣可以設(shè)置代理，在這里以 Chrome 為例來介紹下其設(shè)置方法。

對于無認證的代理，設(shè)置方法如下：

from selenium import webdriver proxy = '127.0.0.1:7890' options = webdriver.ChromeOptions() options.add_argument('--proxy-server=http://' + proxy) browser = webdriver.Chrome(options=options) browser.get('https://httpbin.org/get') print(browser.page_source) browser.close()

運行結(jié)果如下：

{"args": {},"headers": {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9","Accept-Encoding": "gzip, deflate","Accept-Language": "zh-CN,zh;q=0.9","Host": "httpbin.org","Upgrade-Insecure-Requests": "1","User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36","X-Amzn-Trace-Id": "Root=1-5e8f39cd-60930018205fd154a9af39cc"},"origin": "210.173.1.204","url": "http://httpbin.org/get" }

代理設(shè)置成功，origin 同樣為代理 IP 的地址。

如果代理是認證代理，則設(shè)置方法相對比較麻煩，設(shè)置方法如下所示：

from selenium import webdriver from selenium.webdriver.chrome.options import Options import zipfileip = '127.0.0.1' port = 7890 username = 'foo' password = 'bar'manifest_json = """{"version":"1.0.0","manifest_version": 2,"name":"Chrome Proxy","permissions": ["proxy","tabs","unlimitedStorage","storage","<all_urls>","webRequest","webRequestBlocking"],"background": {"scripts": ["background.js"]} } """ background_js = """ var config = {mode: "fixed_servers",rules: {singleProxy: {scheme: "http",host: "%(ip) s",port: %(port) s}}}chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});function callbackFn(details) {return {authCredentials: {username: "%(username) s",password: "%(password) s"}} }chrome.webRequest.onAuthRequired.addListener(callbackFn,{urls: ["<all_urls>"]},['blocking'] ) """ % {'ip': ip, 'port': port, 'username': username, 'password': password}plugin_file = 'proxy_auth_plugin.zip' with zipfile.ZipFile(plugin_file, 'w') as zp:zp.writestr("manifest.json", manifest_json)zp.writestr("background.js", background_js) options = Options() options.add_argument("--start-maximized") options.add_extension(plugin_file) browser = webdriver.Chrome(options=options) browser.get('https://httpbin.org/get') print(browser.page_source) browser.close()

這里需要在本地創(chuàng)建一個 manifest.json 配置文件和 background.js 腳本來設(shè)置認證代理。運行代碼之后本地會生成一個 proxy_auth_plugin.zip 文件來保存當(dāng)前配置。

運行結(jié)果和上例一致，origin 同樣為代理 IP。

SOCKS 代理的設(shè)置也比較簡單，把對應(yīng)的協(xié)議修改為 socks5 即可，如無密碼認證的代理設(shè)置方法為：

from selenium import webdriverproxy = '127.0.0.1:7891' options = webdriver.ChromeOptions() options.add_argument('--proxy-server=socks5://' + proxy) browser = webdriver.Chrome(options=options) browser.get('https://httpbin.org/get') print(browser.page_source) browser.close()

運行結(jié)果是一樣的。

9.aiohttp 設(shè)置代理

對于 aiohttp 來說，我們可以通過 proxy 參數(shù)直接設(shè)置即可，HTTP 代理設(shè)置如下：

import asyncio import aiohttpproxy = 'http://127.0.0.1:7890'async def main():async with aiohttp.ClientSession() as session:async with session.get('https://httpbin.org/get', proxy=proxy) as response:print(await response.text())if __name__ == '__main__':asyncio.get_event_loop().run_until_complete(main())

如果代理有用戶名密碼，像 requests 一樣，把 proxy 修改為如下內(nèi)容：

proxy = 'http://username:password@127.0.0.1:7890'

這里只需要將 username 和 password 替換即可。

對于 SOCKS 代理，我們需要安裝一個支持庫，叫作 aiohttp-socks，安裝命令如下：pip3 install aiohttp-socks
可以借助于這個庫的 ProxyConnector 來設(shè)置 SOCKS 代理，代碼如下：

import asyncio import aiohttp from aiohttp_socks import ProxyConnectorconnector = ProxyConnector.from_url('socks5://127.0.0.1:7891')async def main():async with aiohttp.ClientSession(connector=connector) as session:async with session.get('https://httpbin.org/get') as response:print(await response.text())if __name__ == '__main__':asyncio.get_event_loop().run_until_complete(main())

運行結(jié)果是一樣的。

另外這個庫還支持設(shè)置 SOCKS4、HTTP 代理以及對應(yīng)的代理認證，可以參考其官方介紹。

10.Pyppeteer 設(shè)置代理

對于 Pyppeteer 來說，由于其默認使用的是類似 Chrome 的 Chromium 瀏覽器，因此設(shè)置方法和 Selenium 的 Chrome 是一樣的，如 HTTP 無認證代理設(shè)置方法都是通過 args 來設(shè)置，實現(xiàn)如下：

import asyncio from pyppeteer import launchproxy = '127.0.0.1:7890'async def main():browser = await launch({'args': ['--proxy-server=http://' + proxy], 'headless': False})page = await browser.newPage()await page.goto('https://httpbin.org/get')print(await page.content())await browser.close()if __name__ == '__main__':asyncio.get_event_loop().run_until_complete(main())

運行結(jié)果：

{"args": {},"headers": {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8","Accept-Encoding": "gzip, deflate, br","Accept-Language": "zh-CN,zh;q=0.9","Host": "httpbin.org","Upgrade-Insecure-Requests": "1","User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3494.0 Safari/537.36","X-Amzn-Trace-Id": "Root=1-5e8f442c-12b1ed7865b049007267a66c"},"origin": "210.173.1.204","url": "https://httpbin.org/get" }

同樣可以看到設(shè)置成功。

對于 SOCKS 代理，也是一樣的，只需要將協(xié)議修改為 socks5 即可，代碼實現(xiàn)如下：

import asyncio from pyppeteer import launchproxy = '127.0.0.1:7891'async def main():browser = await launch({'args': ['--proxy-server=socks5://' + proxy], 'headless': False})page = await browser.newPage()await page.goto('https://httpbin.org/get')print(await page.content())await browser.close()if __name__ == '__main__':asyncio.get_event_loop().run_until_complete(main())

運行結(jié)果也是一樣的。

11.總結(jié)

以上總結(jié)了各個庫的代理使用方式，以后如果遇到封 IP 的問題，我們就可以輕松通過加代理的方式來解決啦。

本節(jié)代碼：https://github.com/Python3WebSpider/ProxyTest。

總結(jié)

以上是生活随笔為你收集整理的第20讲：代理的基本原理和用法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。