爬虫之各种代理IP背后的原理

    讲解各种代理IP背后的原理：不管是单纯的换IP，还是进行大量的数据采集，或者是游走于灰色之中，都是离不开代理IP这个工具的，本将讲述各种代理IP背后的原理。

    一、代理类型

    代理IP一共可以分成4种类型。经常听说的透明代理IP，匿名代理IP，高匿名代理IP，还有一种就是混淆代理IP。最基础的安全程度来说呢，他们的排列顺序应该是这个样子的高匿>混淆>匿名>透明。

    (1) 根据协议

    根据代理的协议，代理可以分为如下类别。

    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。

    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。

    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。

    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。

    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。

    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。

    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SOCKS4和SOCKS5，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，SOCK4能做到的SOCKS5都可以做到，但SOCKS5能做到的SOCK4不一定能做到。

    (2) 根据匿名程度

    根据代理的匿名程度，代理可以分为如下类别。

    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客户端在访问，而记录的IP是代理服务器的IP。

    普通匿名代理：会在数据包上做一些改动，服务端上有可能发现这是个代理服务器，也有一定几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。

    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，最常见的例子是内网中的硬件防火墙。

    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、监控等目的的代理服务器。

    二、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代理服务器就会把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代理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RemoteAddress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，RemoteAddress来自TCP连接，表示与服务端建立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。

    三、代理的选择

    普通的匿名代理IP能隐藏客户机的真是IP，但是也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。

    而高度匿名代理请添加链接描述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，爬虫程序需要使用到爬虫代理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。