2.5　代理的基本原理

在进行网络爬虫时，经常会提到“代理”一词，那么究竟什么是代理？代理服务器是如何进行工作的？代理有什么作用？如何对代理服务进行设置？这一节就来解决这些问题。

2.5.1　基本原理

首先来看什么是代理。代理实际上指的就是代理服务器（Proxy Server），它的功能是代理网络用户获取网络信息。形象地说，代理服务器就是网络信息的中转站。

在用户正常请求一个网站时，发送了请求给Web服务器，Web服务器把响应传回给用户。如果设置了代理服务器，实际上就是在本机和服务器之间搭建了一个桥，此时本机不是直接向Web服务器发起请求，而是向代理服务器发起请求，请求会发送给代理服务器，然后由代理服务器再发送给Web服务器，接着由代理服务器把Web服务器返回的响应转发给本机。

这样用户同样可以正常访问网页，但在这个过程中，Web服务器识别出的真实IP就不再是用户本机的IP了，成功实现了IP伪装，这就是代理的基本原理。

2.5.2　代理的作用

代理有什么作用呢？我们可以简单列举如下：

（1）代理可以突破自身IP访问限制，访问一些平时不能访问的站点。比如网上常说的翻墙、科学上网之类就是使用了代理技术。

（2）使用代理可以访问一些单位或团体的内部资源。比如使用的如果是教育网内地址段的免费代理服务器，就可以对教育网开放各类FTP下载、上传，以及各类资料查询、共享等服务。

（3）使用代理可以提高访问速度。通常代理服务器都会设置一个较大的硬盘缓冲区，当有外界的信息通过时，同时也会将其保存到缓冲区中，当其他用户再访问相同的信息时，则直接从缓冲区中取出信息传给用户，以提高访问速度。

（4）使用代理可以隐藏真实IP。上网者可以通过代理服务隐藏自己的IP，进而免受攻击。对于爬虫来说，使用代理就是为了隐藏自身IP，防止自身的IP被封锁。因为通常大数据量的访问会引起对方主机的怀疑，从而有可能造成封锁IP的访问权限。

2.5.3　代理分类

按照代理不同的分类标准，可以对代理进行不同的分类，既可以根据协议区分，又可以根据其匿名程度区分。

根据代理的协议，代理可以分为如下类别：

（1）FTP代理服务器：主要用于访问FTP服务器，一般有上传、下载以及缓存功能，端口一般为21、2121等。

（2）HTTP代理服务器：主要用于访问网页，一般有内容过滤和缓存功能，端口一般为80、8080、3128等。

（3）SSL/TLS代理：主要用于访问加密网站，一般有SSL或TLS加密功能（最高支持128位加密强度），端口一般为443。

（4）RTSP代理：主要用于访问Real流媒体服务器，一般有缓存功能，端口一般为554。

（5）Telnet代理：主要用于Telnet远程控制（黑客入侵计算机时常用于隐藏身份），端口一般为23。

（6）POP3/SMTP代理：主要用于POP3/SMTP方式收发邮件，一般有缓存功能，端口一般为110/25。

（7）SOCKS代理：只是单纯传递数据包，不关心具体协议和用法，所以速度快很多，一般有缓存功能，端口一般为1080。SOCKS代理协议又分为SOCKS 4和SOCKS 5，前者只支持TCP，而后者支持TCP和UDP，还支持各种身份验证机制、服务器端域名解析等。简单来说，SOCK 4能做到的SOCKS 5都可以做到，但SOCKS 5能做到的SOCK 4不一定能做到。

根据代理的匿名程度，代理可以分为如下类别：

（1）高度匿名代理：会将数据包原封不动地转发，在服务端看来就好像真的是一个普通的客户端在访问，而记录的IP是代理服务器的IP。

（2）普通匿名代理：会在数据包上做一些改动，在服务端上有可能发现这是一个代理服务器，也有一定概率追查到客户端的真实IP。代理服务器通常会加入的HTTP头有HTTP_VIA和HTTP_X_FORWARDED_FOR。

（3）透明代理：不但改动了数据包，还会告诉服务器客户端的真实IP。这种代理除了能用缓存技术提高浏览速度、能用内容过滤提高安全性之外，并无其他显著作用，常见的例子是内网中的硬件防火墙。

（4）间谍代理：指组织或个人创建的用于记录用户传输的数据，然后进行研究、监控等的代理服务器。

2.5.4　常见代理设置

常见的代理设置有以下几种：

（1）使用网上的免费代理。这种情况最好使用高匿代理，另外可用的代理不多，需要在使用前筛选一下可用代理，也可以进一步维护一个代理池。

（2）使用付费代理服务。互联网上存在许多代理商，可以付费使用，质量比免费代理好很多，而且速度更快，也更稳定，不过需要支付相应代理服务费。

（3）使用ADSL拨号。拨一次号换一次IP，稳定性高，是一种比较有效的解决方案。