爬蟲所需要的爬蟲代理ip究竟是什么？

爬蟲所需要的爬蟲代理ip究竟是什么

當(dāng)我們對某些網(wǎng)站進(jìn)行爬去的時候，我們經(jīng)常會換IP來避免爬蟲程序被封鎖。其實(shí)也是一個比較簡單的操作，目前網(wǎng)絡(luò)上有很多IP代理商，例如西刺，芝麻，犀牛等等。這些代理商一般都會提供透明代理，匿名代理，高匿代理。那么這幾種代理的區(qū)別是什么？我們該如何選擇呢？本文的主要內(nèi)容是講解各種代理 IP 背后的原理。
1 代理類型
代理IP一共可以分成4種類型。前面提到過的透明代理IP，匿名代理IP，高匿名代理IP，還有一種就是混淆代理IP。最基礎(chǔ)的安全程度來說呢，他們的排列順序應(yīng)該是這個樣子的高匿 > 混淆 > 匿名 > 透明。
2 代理原理
代理類型主要取決于代理服務(wù)器端的配置。不同配置會形成不同的代理類型。在配置中，這三個變量REMOTE_ADDR，HTTP_VIA，HTTP_X_FORWARDED_FOR?是決定性因素。
1) REMOTE_ADDR
REMOTE_ADDR 表示客戶端的 IP，但是它的值不是由客戶端提供的，而是服務(wù)器根據(jù)客戶端的 IP 指定的。
如果使用瀏覽器直接訪問某個網(wǎng)站，那么網(wǎng)站的 web 服務(wù)器（Nginx、Apache等）就會把 REMOTE_ADDR 設(shè)為客戶端的 IP 地址。
如果我們給瀏覽器設(shè)置代理，我們訪問目標(biāo)網(wǎng)站的請求會先經(jīng)過代理服務(wù)器，然后由代理服務(wù)器將請求轉(zhuǎn)化到目標(biāo)網(wǎng)站。那么網(wǎng)站的 web 代理服務(wù)器就會把 REMOTE_ADDR 設(shè)為代理服務(wù)器的 IP。
2）X-Forwarded-For（XFF）
X-Forwarded-For 是一個 HTTP 擴(kuò)展頭部，用來表示 HTTP 請求端真實(shí) IP。當(dāng)客戶端使用了代理時，web 代理服務(wù)器就不知道客戶端的真實(shí) IP 地址。為了避免這個情況，代理服務(wù)器通常會增加一個 X-Forwarded-For 的頭信息，把客戶端的 IP 添加到頭信息里面。
X-Forwarded-For 請求頭格式如下：
X-Forwarded-For:?client,?proxy1,?proxy2
client 表示客戶端的 IP 地址；proxy1 是離服務(wù)端最遠(yuǎn)的設(shè)備 IP; proxy2 是次級代理設(shè)備的 IP；從格式中，可以看出從 client 到 server 是可以有多層代理的。
如果一個 HTTP 請求到達(dá)服務(wù)器之前，經(jīng)過了三個代理 Proxy1、Proxy2、Proxy3，IP 分別為 IP1、IP2、IP3，用戶真實(shí) IP 為 IP0，那么按照 XFF 標(biāo)準(zhǔn)，服務(wù)端最終會收到以下信息：
X-Forwarded-For:?IP0,?IP1,?IP2
Proxy3 直連服務(wù)器，它會給 XFF 追加 IP2，表示它是在幫 Proxy2 轉(zhuǎn)發(fā)請求。列表中并沒有 IP3，IP3 可以在服務(wù)端通過 Remote Address 字段獲得。我們知道 HTTP 連接基于 TCP 連接，HTTP 協(xié)議中沒有 IP 的概念，Remote Address 來自 TCP 連接，表示與服務(wù)端建立 TCP 連接的設(shè)備 IP，在這個例子里就是 IP3。
3）HTTP_VIA
via 是 HTTP 協(xié)議里面的一個header,記錄了一次 HTTP 請求所經(jīng)過的代理和網(wǎng)關(guān)，經(jīng)過1個代理服務(wù)器，就添加一個代理服務(wù)器的信息，經(jīng)過2個就添加2個。
3 代理類型區(qū)別
1) 透明代理(Transparent Proxy)
代理服務(wù)器的配置如下：
REMOTE_ADDR?=?Proxy?IP
HTTP_VIA?=?Proxy?IP
HTTP_X_FORWARDED_FOR?=?Your?IP
透明代理雖然可以直接“隱藏”客戶端的 IP 地址，但是還是可以從HTTP_X_FORWARDED_FOR來查到客戶端的 IP 地址。
2） 匿名代理(Anonymous Proxy)
代理服務(wù)器的配置如下：
REMOTE_ADDR?=?proxy?IP
HTTP_VIA?=?proxy?IP
HTTP_X_FORWARDED_FOR?=?proxy?IP
匿名代理能提供隱藏客戶端 IP 地址的功能。使用匿名代理，服務(wù)器能知道客戶端使用用了代理，當(dāng)無法知道客戶端真實(shí) IP 地址。
3） 混淆代理(Distorting Proxy)
代理服務(wù)器的配置如下：
REMOTE_ADDR?=?Proxy?IP
HTTP_VIA?=?Proxy?IP
HTTP_X_FORWARDED_FOR?=?Random?IP?address
與匿名代理的原理相似，但是會偽裝得更逼真。如果客戶端使用了混淆代理，服務(wù)器還是能知道客戶端在使用代理，但是會得到一個假的客戶端 IP 地址。
2） 高匿代理(Elite ?Proxy 或 High Anonymity Proxy)
代理服務(wù)器的配置如下：
REMOTE_ADDR?=?Proxy?IP
HTTP_VIA?=?not?determined
HTTP_X_FORWARDED_FOR?=?not?determined
高匿代理既能讓服務(wù)器不清楚客戶端是否在使用代理，也能保證服務(wù)器獲取不到客戶端的真實(shí) IP 地址。
4 代理的選擇
普通的匿名代理IP能隱藏客戶機(jī)的真是IP，但是也會改變我們的請求信息，服務(wù)器端有可能會認(rèn)為我們使用了代理。不過使用此種代理時，雖然被訪問的網(wǎng)站不能知道客戶端的 IP 地址，但仍然可以知道你在使用代理，當(dāng)然某些能夠偵測 IP 的網(wǎng)頁仍然可以查到客戶端的 IP。
而不改變客戶機(jī)的請求，這樣在服務(wù)器看來就像有個真正的客戶瀏覽器在訪問它，這時客戶的真實(shí)IP是隱藏的，服務(wù)器端不會認(rèn)為我們使用了代理。
因此，爬蟲程序需要使用到爬蟲代理ip 時，盡量選擇普通匿名代理和高匿名代理。另外，如果要保證數(shù)據(jù)不被代理服務(wù)器知道，推薦使用 HTTPS 協(xié)議的代理。