在爬取某些网站时,我们经常会设置代理IP来避免爬虫进程被封。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。
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_ADDR,HTTP_VIA,HTTP_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,表示与服务端创建 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 IP
HTTP_VIA = Proxy IP
HTTP_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 IP
HTTP_VIA = proxy IP
HTTP_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,当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 IP
HTTP_VIA = Proxy IP
HTTP_X_FORWARDED_FOR = RandomIPaddress
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 IP
HTTP_VIA = not determined
HTTP_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,爬虫进程需要使用到代理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。
互联网时代,大家应该都听过代理,例如代理ip、代理服务器等等,那么什么是Web 代理缓存呢?请看下面的介绍。
代理服务器的功能就是代理网络用户去取得网络信息,也可以比喻为是网络信息的中转站。如果你想要突破访问限制,代理服务器可以帮助你,如果你想要隐藏自己的IP地址,代理服务器同样
利用代理IP进行自媒体运营!自媒体的风在中国大地上哗哗的吹,人们常说站在风口上猪都能起飞,自媒体就是新时代的风,想要让自己在这个风口上起飞的人不在少数,随着自媒体运营的人群
经常上网的朋友都知道有HTTP代理IP,其实代理IP也支持HTTPS。首先给大家介绍一下这两者的区别吧。
QQ资讯
上班时间