中文字幕日韩精品一区二区免费_精品一区二区三区国产精品无卡在_国精品无码专区一区二区三区_国产αv三级中文在线

數(shù)據(jù)采集爬蟲ip代理的原理

2013-10-28    分類: 網(wǎng)站建設(shè)

  數(shù)據(jù)采集爬蟲ip代理的原理 ,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正常,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。出現(xiàn)這種現(xiàn)象的原因是網(wǎng)站采取了一些反爬蟲措施。出現(xiàn)這種情況有效的解決方式就是使用代理IP

  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,就會直接拒絕服務(wù),返回一些錯誤信息,這種情況可以稱為封IP。

數(shù)據(jù)采集爬蟲ip代理的原理

  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?

  一種有效的方式就是使用ip代理,后面會詳細(xì)說明ip代理的用法。在這之前,需要先了解下代理的基本原理,它是怎樣實現(xiàn)IP偽裝的呢?

  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)用戶去取得網(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。

  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:比如使用教育網(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,同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。

  爬蟲代理IP 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(dá)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。 (1) 根據(jù)協(xié)議

  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(高支持128位加密強度),端口一般為443。

  RTSP代理:主要用于訪問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(yuǎn)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,前者只支持TCP,而后者支持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。

  (2) 根據(jù)匿名程度

  根據(jù)代理的匿名程度,代理可以分為如下類別。

  高匿名代理:會將數(shù)據(jù)包原封不動地轉(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: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: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: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(jìn)行研究、監(jiān)控等目的的代理服務(wù)器。

  常見代理設(shè)置

  使用網(wǎng)上的免費代理:最好使用高匿代理,另外可用的代理不多,需要在使用前篩選一下可用代理,也可以進(jìn)一步維護(hù)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,但是比較繁瑣,也是一種比較有效的解決方案。

新聞名稱:數(shù)據(jù)采集爬蟲ip代理的原理
網(wǎng)頁地址:http://m.rwnh.cn/news/4126.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供品牌網(wǎng)站設(shè)計、做網(wǎng)站、自適應(yīng)網(wǎng)站、品牌網(wǎng)站制作云服務(wù)器、網(wǎng)站營銷

廣告

聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請盡快告知,我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時需注明來源: 創(chuàng)新互聯(lián)

營銷型網(wǎng)站建設(shè)
开江县| 大悟县| 曲阳县| 浙江省| 通州区| 邢台市| 潢川县| 册亨县| 筠连县| 佛教| 博湖县| 枣庄市| 台东市| 咸丰县| 天水市| 吴桥县| 芦山县| 绥棱县| 白山市| 泗水县| 顺义区| 东兰县| 新疆| 龙泉市| 乌鲁木齐市| 金川县| 海原县| 高清| 武穴市| 怀宁县| 来安县| 吉林省| 洛浦县| 沾化县| 阳原县| 太保市| 北安市| 乡宁县| 日照市| 临泽县| 庆元县|