关于使用HTTP代理IP爬虫采集的认知误区

关于使用HTTP代理IP爬虫采集的认知误区

大部分人都知道，在使用爬虫屡次爬取同一网站时，常常会被网站的IP反爬虫机制给禁掉，为了解决封禁 IP 的问题一般会使用代理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，若是使用不当，同样会被封IP。

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是没法伪造的。

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，天然会受到限制，高级匿名代理则不会，因此在选择代理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，好比cookie，好比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，由于人类正常访问远远达不到那个频率，天然会被目标网站的反爬虫策略识别。

只有尽可能地模拟真实用户正常访问，才能最大程度地避免被封IP。