网络爬虫之关于爬虫http代理的常见使用方式

laical

在做爬虫的过程中，如果你爬取的频率过快，不符合人的操作模式。有些网站的反爬虫机制通过监测到你的IP异常，访问频率过高。就会对你进行封IP处理。目前已有比较多的第三方平台专门进行代理IP的服务，那如何使用平台提供的http代理呢，一般好的平台都会提供两种使用方式：
1传统的API提取模式： API链接提取格式如下
API就是url链接，例如：http://ip.16yun.cn:817/************  用户的爬虫程序需要支持API的自动提取代理IP，定期从url中获取代理IP的相关信息，格式如下：
（1）默认支持文本

（2）json格式（在API链接后面加上&format=json,返回JSON格式）

（3）在链接后面加上 &part=分隔符 ,分隔符需要使用url转义
而爬虫程序通过获取出来的IP向网站发出请求获取数据。

2 自动转发的爬虫代理：通过固定云代理服务地址，建立专线网络链接，代理平台自动实现毫秒级代理IP切换，保证了网络稳定性和速度，避免爬虫客户在代理IP策略优化上投入精力。这种方式适用于专做爬虫的用户或者第一次使用http代理的用户，使用方便更加简单。市面上目前也只有几家代理平台有这种使用方式，这种使用方式比较严格，使用者必须是研发，严格按照自己的爬虫语言参考平台调用代理信息的demo修改接口，配置代理信息使用。每个平台配置爬虫代理的代理信息demo都不一样，其含义都差不多。
例如python网络爬虫设置自动转发代理接口的demo
如下：
#! -*- encoding:utf-8 -*-
        import requests
        import random
        # 要访问的目标页面
        targetUrl = "www.baidu.com"
        # 要访问的目标HTTPS页面
        # targetUrl = "www.baidu.com"
        # 代理服务器(产品官网 www.16yun.cn)
        proxyHost = "t.16yun.cn"
        proxyPort = "31111"
        # 代理隧道验证信息
        proxyUser = "username"
        proxyPass = "password"
        proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
            "host" : proxyHost,
            "port" : proxyPort,
            "user" : proxyUser,
            "pass" : proxyPass,
        }
        # 设置 http和https访问都是用HTTP代理
        proxies = {
            "http"  : proxyMeta,
            "https" : proxyMeta,
        }
        #  设置IP切换头
        tunnel = random.randint(1,10000)
        headers = {"Proxy-Tunnel": str(tunnel)}
        resp = requests.get(targetUrl, proxies=proxies, headers=headers)
        print resp.status_code
        print resp.text
这种是比较常见使用自动转发代理的demo，其他爬虫语言使用方式也大同小异。

以上是使用http代理的常见的两种方式，我也是经常使用代理，觉得自动转发的代理更加好用，方便，简单，速度快。避免了我在爬虫使用代理中的很多麻烦。