關於使用HTTP代理IP爬蟲採集的認知誤區

關於使用HTTP代理IP爬蟲採集的認知誤區

大部分人都知道，在使用爬蟲屢次爬取同一網站時，常常會被網站的IP反爬蟲機制給禁掉，爲了解決封禁 IP 的問題一般會使用代理IP。

但也有一部分人在HTTP代理IP的使用上存在着誤解，他們認爲使用了代理IP就能解決一切問題，然而實際上代理IP不是萬能的，它只是一個工具，若是使用不當，同樣會被封IP。

代理IP分三種類型：透明代理、普通匿名代理、高級匿名代理。

高匿、匿名和透明代理的主要區別在於對方服務器獲取REMOTE_ADDR、HTTP_X_FORWARDED_FOR、HTTP_VIA三個參數的區別。

衆所周知，REMOTE_ADDR是沒法僞造的。

使用透明代理(Transparent)，對方服務器知道你使用了代理，也知道你的真實IP。REMOTE_ADDR = ProxyIP，HTTP_VIA = ProxyIP，HTTP_X_FORWARDED_FOR = YourIP

使用匿名代理(Anonymous)，對方服務器知道你使用了代理，但不知道你的真實IP。REMOTE_ADDR = ProxyIP，HTTP_VIA = ProxyIP，HTTP_X_FORWARDED_FOR = ProxyIP

使用高匿名代理(High)，對方服務器不知道你使用了代理，也不知道你的真實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會被目標網站得知使用了代理IP，天然會受到限制，高級匿名代理則不會，因此在選擇代理IP的時候，要注意這一點。

使用一個代理IP爬取目標網站，被封IP的因素太多，好比cookie，好比User Agent等等，當達到了閾值後，IP就會被封；當訪問目標網站的頻率過快時，IP也會被封，由於人類正常訪問遠遠達不到那個頻率，天然會被目標網站的反爬蟲策略識別。

只有儘可能地模擬真實用戶正常訪問，才能最大程度地避免被封IP。