收藏 400-998-9776 转2 服务时间 周一至周日 9:00-23:00 注意:本站不提供境外服务
最新资讯 >

代理IP爬虫采集的认知误区

来源:互联网

作者:zlDL@bian10

发布时间:2021.08.02

  大部分人都知道,在使用爬虫多次爬取同一网站时,经常会被网站的IP反爬虫机制给禁掉,为了解决封禁IP的问题通常会使用代理IP。


  但也有一部分人在HTTP代理IP的使用上存在着误解,他们认为使用了代理IP就能解决一切问题,然而实际上代理IP不是万能的,它只是一个工具,如果使用不当,一样会被封IP。以下分享使用HTTP代理IP爬虫采集的认知误区,想要了解的朋友继续往下看吧!


  代理IP分三种类型:透明代理、普通匿名代理、高级匿名代理。


  高匿、匿名和透明代理的主要区别在于对方服务器获取REMOTE_ADDR、HTTP_X_FORWARDED_FOR、HTTP_VIA三个参数的区别。


  众所周知,REMOTE_ADDR是无法伪造的。


  使用透明代理(Transparent),对方服务器知道你使用了代理,也知道你的真实IP。REMOTE_ADDR=ProxyIP,HTTP_VIA=ProxyIP,HTTP_X_FORWARDED_FOR=YourIP


  使用匿名代理(Anonymous),对方服务器知道你使用了代理,但不知道你的真实IP。REMOTE_ADDR=ProxyIP,HTTP_VIA=ProxyIP,HTTP_X_FORWARDED_FOR=ProxyIP


  使用高匿名代理(High),对方服务器不知道你使用了代理,也不知道你的真实IP。REMOTE_ADDR=ProxyIP,HTTP_VIA=NULL,HTTP_X_FORWARDED_FOR=NULL


  使用透明代理和普通匿名代理会被目标网站得知使用了代理IP,自然会受到限制,高级匿名代理则不会,所以在选择代理IP的时候,要注意这一点。


  使用一个代理IP爬取目标网站,被封IP的因素太多,比如cookie,比如User Agent等等,当达到了阈值后,IP就会被封;当访问目标网站的频率过快时,IP也会被封,因为人类正常访问远远达不到那个频率,自然会被目标网站的反爬虫策略识别。