爬虫所需要的代理IP究竟是啥呢?

在爬取某些网站时,我们经常会设置代理 IP 来避免爬虫程序被封。我们获取代理 IP 地址方式通常提取国内的知名 IP 代理商的免费代理。这些代理商一般都会提供透明代理,匿名代理,高匿代理。那么这几种代理的区别是什么?我们该如何选择呢?本文的主要内容是讲解各种代理 IP 背后的原理。

爬虫所需要的代理IP究竟是啥呢?

1 代理类型

代理类型一共能分为四种。除了前面提到的透明代理,匿名代理,高匿代理,还有混淆代理。从安全程度来说,这四种代理类型的排序是 高匿 > 混淆 > 匿名 > 透明。

2 代理原理

代理类型主要取决于代理服务器端的配置。不同配置会形成不同的代理类型。在配置中,这三个变量REMOTE_ADDRHTTP_VIAHTTP_X_FORWARDED_FOR 是决定性因素。

1) REMOTE_ADDR
REMOTE_ADDR 表示客户端的 IP,但是它的值不是由客户端提供的,而是服务器根据客户端的 IP 指定的。

如果使用浏览器直接访问某个网站,那么网站的 web 服务器(Nginx、Apache等)就会把 REMOTE_ADDR 设为客户端的 IP 地址。

如果我们给浏览器设置代理,我们访问目标网站的请求会先经过代理服务器,然后由代理服务器将请求转化到目标网站。那么网站的 web 服务器就会把 REMOTE_ADDR 设为代理服务器的 IP。

2)X-Forwarded-For(XFF)
X-Forwarded-For 是一个 HTTP 扩展头部,用来表示 HTTP 请求端真实 IP。当客户端使用了代理时,web 服务器就不知道客户端的真实 IP 地址。为了避免这个情况,代理服务器通常会增加一个 X-Forwarded-For 的头信息,把客户端的 IP 添加到头信息里面。

X-Forwarded-For 请求头格式如下:

X-Forwarded-For: client, proxy1, proxy2

client 表示客户端的 IP 地址;proxy1 是离服务端最远的设备 IP; proxy2 是次级代理设备的 IP;从格式中,可以看出从 client 到 server 是可以有多层代理的。

如果一个 HTTP 请求到达服务器之前,经过了三个代理 Proxy1、Proxy2、Proxy3,IP 分别为 IP1、IP2、IP3,用户真实 IP 为 IP0,那么按照 XFF 标准,服务端最终会收到以下信息:

X-Forwarded-For: IP0, IP1, IP2

Proxy3 直连服务器,它会给 XFF 追加 IP2,表示它是在帮 Proxy2 转发请求。列表中并没有 IP3,IP3 可以在服务端通过 Remote Address 字段获得。我们知道 HTTP 连接基于 TCP 连接,HTTP 协议中没有 IP 的概念,Remote Address 来自 TCP 连接,表示与服务端建立 TCP 连接的设备 IP,在这个例子里就是 IP3。

3)HTTP_VIA
via 是 HTTP 协议里面的一个header,记录了一次 HTTP 请求所经过的代理和网关,经过1个代理服务器,就添加一个代理服务器的信息,经过2个就添加2个。

3 代理类型区别

1) 透明代理(Transparent Proxy)
代理服务器的配置如下:

REMOTE_ADDR = Proxy IPHTTP_VIA = Proxy IPHTTP_X_FORWARDED_FOR= Your IP

透明代理虽然可以直接“隐藏”客户端的 IP 地址,但是还是可以从HTTP_X_FORWARDED_FOR来查到客户端的 IP 地址。

2) 匿名代理(Anonymous Proxy)
代理服务器的配置如下:

REMOTE_ADDR = proxy IPHTTP_VIA = proxy IPHTTP_X_FORWARDED_FOR= proxy IP

匿名代理能提供隐藏客户端 IP 地址的功能。使用匿名代理,服务器能知道客户端使用用了代理,但无法知道客户端真实 IP 地址。

3) 混淆代理(Distorting Proxy)
代理服务器的配置如下:

REMOTE_ADDR = Proxy IPHTTP_VIA = Proxy IPHTTP_X_FORWARDED_FOR=Random IP address

与匿名代理的原理相似,但是会伪装得更逼真。如果客户端使用了混淆代理,服务器还是能知道客户端在使用代理,但是会得到一个假的客户端 IP 地址。

2) 高匿代理(Elite  Proxy 或 High Anonymity Proxy)
代理服务器的配置如下:

REMOTE_ADDR = Proxy IPHTTP_VIA =not determinedHTTP_X_FORWARDED_FOR=not determined

高匿代理既能让服务器不清楚客户端是否在使用代理,也能保证服务器获取不到客户端的真实 IP 地址。

4 代理的选择

普通匿名代理能隐藏客户机的真实 IP,但会改变我们的请求信息,服务器端有可能会认为我们使用了代理。不过使用此种代理时,虽然被访问的网站不能知道客户端的 IP 地址,但仍然可以知道你在使用代理,当然某些能够侦测 IP 的网页仍然可以查到客户端的 IP。

而高度匿名代理不改变客户机的请求,这样在服务器看来就像有个真正的客户浏览器在访问它,这时客户的真实IP是隐藏的,服务器端不会认为我们使用了代理。

因此,爬虫程序需要使用到代理 IP 时,尽量选择普通匿名代理和高匿名代理。另外,如果要保证数据不被代理服务器知道,推荐使用 HTTPS 协议的代理。

本文来自网络投稿,不代表kookeey立场,如有问题请联系我们

Like (0)
kookeeykookeey
Previous December 13, 2023 6:27 am
Next December 13, 2023 6:36 am

相关推荐

  • WhatsApp数据抓取怎么做?如何使用代理抓取Whatsapp?

    我们今天来聊聊使用WhatsApp时做好IP代理的优势,以及如何将其用于网络抓取。WhatsApp是一种受欢迎的消息传递方式,无论是出于商业需求还是与亲朋好友保持联络,都堪称理想选择。目前,其在全球范围内都可用,并以提供稳定、安全的通讯服务著称。 WhatsApp使用的是256位加密技术,以确保聊天及其他数据信息的安全,但这并未妨碍一些国家禁止其服务的步履。…

    October 26, 2023
  • 爬虫数据采集,是用http代理好还是https代理好?

    在进行数据采集时,使用代理服务器可以提高爬虫的效率和匿名性。本文将详细探讨在数据采集过程中选择使用HTTP代理还是HTTPS代理的考虑因素,以帮助您做出合适的选择。        一,HTTP代理的考虑因素:        HTTP代理在数据采集中具有以下特点和优势: &nbsp…

    February 21, 2024
  • 大数据从业者必看,常见的爬虫都有哪些?

    在大数据领域,爬虫是不可或缺的一部分。它能够从互联网上抓取数据,为数据分析提供丰富的数据源。不过很多从业者在使用时都会遇到一些问题,如IP管控、反爬虫策略等。为了解决这些问题,许多从业者开始寻找海外IP代理工具。本文将介绍常见的爬虫类型,并探讨海外IP代理工具的使用。 一、常见的爬虫类型 二、海外IP代理工具的使用 在使用爬虫时,IP管控和反爬虫策略是两个常…

    February 28, 2024
  • 网络爬虫Python为什么需要http代理ip?

    网络爬虫Python为什么需要海量的http代理ip?在前面的文章小编有介绍过《什么是python爬虫,有哪些作用?》,在文章中了解到pythone爬虫的运行规则为:模拟一个正常的用户,去访问、点击、跳转等操作,但在这个过程中,如果出现同一ip频繁请求,某一目标地址,则会触发目标站点的反爬虫策略,然后就会进入拦截状态,这样,爬虫就无法正常进行了。 …

    May 13, 2024
  • 何借助海外住宅代理IP提高数据采集效率?

    在信息时代,数据已成为企业决策的重要依据。其中,高效的数据采集是信息分析的前提。2024年,随着全球化的加速,企业越来越需要面向全球市场进行数据采集与分析。而在此过程中,海外住宅代理IP的作用变得尤为重要。本文将介绍如何借助这一工具提高数据采集的效率,以及最新的策略优化。 首先,我们需要理解国外住宅代理IP的优点。与普通IP相比,住宅代理IP具有真实用户的I…

    May 22, 2024