网页爬虫为什么需要爬虫ip

在现如今数据满天飞的时代，各行各业对于公开数据的应用越发的广泛，这也就对数据采集的需求日益增多。市场需求在变大变宽，但是配套的技术人员却无法满足需求。因此，越来越多的人选择网络爬虫这个行业。

今天我们就谈谈数据抓取中使用的爬虫ip相关的知识，高质量IP也是爬虫稳定工作的重要前提。

爬虫ip概述

ip地址是一个唯一地址，它用于标识互联网或本地网络设备，而爬虫ip又名爬虫ip服务器（Proxy Server），它的主要作用是作为一个中间层，代替用户与目标服务器进行通信。客户端与服务端进行交互时，与抓包工具一样，客户端发起的请求会经过爬虫ip服务器，通过爬虫ip服务器进行转发，当服务端接收到请求时，获取到的ip就是爬虫ip服务器的ip地址，这样就实现了真实ip的隐藏。

爬虫ip作用

爬虫ip的应用范围非常广泛，它的主要应用场景有：

突破访问限制： 部分网站会根据用户的IP地址进行访问限制，使用爬虫ip可以绕过这些限制。

爬虫数据采集： 在批量数据采集中，爬虫程序需要使用到爬虫ip来防止被目标网站封禁或限制访问。

提高网络安全性： 通过使用爬虫ip隐藏真实IP地址，可以防止黑客攻击和网络钓鱼等安全威胁。

爬虫ip分类

爬虫ip可以通过不同的特征进行分类，如匿名度、支持协议、地理位置、使用方式、质量等级等。这里主要介绍前三种。

根据匿名度分类

高匿名爬虫ip： 高匿名爬虫ip也叫做完全匿名爬虫ip，它完全隐藏了客户端的真实ip地址与其它信息，服务端无法得知请求来自于哪个客户端，只能获取到爬虫ip服务器的ip地址。该类型爬虫ip速度与稳定性高，但是通过需要付费。

普通匿名爬虫ip： 普通匿名爬虫ip也叫做匿名爬虫ip，它会隐藏客户端的ip地址，但是会暴露客户端的其它请求信息，如HTTP请求头信息，服务端可以识别到请求来自爬虫ip服务端，但无法追踪到客户端真实ip。该类型爬虫ip速度较慢，稳定性较低。

透明爬虫ip： 透明爬虫ip也叫做普通爬虫ip，它不会隐藏客户端的ip地址与其它请求信息，服务端可以获取到发起请求的真实ip，因此透明爬虫ip没有太大的实际作用，使用较少。

根据支持协议分类

HTTP爬虫ip： HTTP爬虫ip通过http协议来转发请求数据包，主要用于请求web网页，用来访问受限制的网站，提高用户的匿名性。

HTTPS爬虫ip： HTTPS爬虫ip通过https协议来转发请求数据包，它可以帮助客户端与服务端建立安全的通信通道，主要用与加密隐私数据的传输。

FTP爬虫ip： FTP爬虫ip用于转发FTP请求，主要用于数据的上传、下载、缓存。它可以提供访问FTP服务器的匿名性、访问控制、速度优化等功能。

SOCKS爬虫ip： SOCKS爬虫ip可以转发任意类型的网络请求，它支持多种身份验证，是一种通用性的网络爬虫ip。

爬虫ip的使用

上篇文章中，我们讲到了urllib、requests、httpx、aiohttp、websocket这五个网络请求库的使用，这里我们会介绍如何在使用这些网络请求库时设置爬虫ip。

在下文中使用到的爬虫ip由 爬虫ip 提供。

通常购买爬虫ip后平台会提供IP地址、端口号、账号、密码，在代码中设置爬虫ip时，爬虫ip数据类型通常为字典类型。格式如下：

普通爬虫ip格式：

proxy = {
	'https://': 'http://%(ip)s:%(port)s' % {"ip":ip,"port":port},
	'http://': 'http://%(ip)s:%(port)s' % {"ip":ip,"port":port}
	}

使用账号密码认证方式的格式为：

proxy = {
    "http": "http://%(user)s:%(pwd)s@%(ip)s:%(port)s/" % {"user": username, "pwd": password, "ip":ip,"port":port},
    "https": "http://%(user)s:%(pwd)s@%(ip)s:%(port)s/" % {"user": username, "pwd": password, "ip":ip,"port":port}
}

如：

proxy = {
	'https': 'http://112.75.202.247:16816',
	'http': 'http://112.78.202.247:16816'
}

urllib

urllib设置爬虫ip需要使用到ProxyHandler对象，首先创建一个ProxyHandler对象，然后将爬虫ip服务器的地址与端口号传给它。然后使用build_opener方法创建一个Opener对象，将创建好的ProxyHandler传入Opener。最后使用install_opener方法将Opener对象安装为全局Opener，这样在之后的所有urlopen请求中都会使用这个Opener对象。

import urllib.request


proxy = {
	'https': 'http://112.77.202.247:16816',
	'http': 'http://112.85.202.247:16816'
}  #爬虫ip地址

proxy_handler = urllib.request.ProxyHandler(proxy)
opener = urllib.request.build_opener(proxy_handler)
urllib.request.install_opener(opener)

response = urllib.request.urlopen('http://jshk.com.cn/').read().decode('utf-8')

print(response)
# xxx"origin": "112.74.202.247"xxx

设置爬虫ip请求网页后，可以看到响应信息中origin的值已经变成我们设置的爬虫ip值了。这样就代表爬虫ip设置成功了，网页服务端获取到的ip是爬虫ip服务器的ip地址。

requests

使用urllib设置爬虫ip还是比较繁琐的，这也是urllib库的缺点。而在requests中设置爬虫ip非常简单，Request对象中提供了一个参数来设置爬虫ip。

import requests

proxy = {
	'https': 'http://112.88.202.247:16816',
	'http': 'http://112.76.202.247:16816'
}
url = 'http://jshk.com.cn/'

response = requests.get(url,proxies=proxy)

print(response.json())
#xxx'origin': '112.74.202.247'xxx

httpx

httpx功能、用法与requests基本一致，设置方式也是一样的，唯一的区别就在与爬虫ip的键名。

import httpx

proxy = {
    'https://': 'http://112.74.202.247:16816',
    'http://': 'http://112.74.202.247:16816'
}
url = 'http://jshk.com.cn/'

response = httpx.get(url,proxies=proxy)

print(response.json())
#xxx'origin': '112.74.202.247'xxx

proxy爬虫ip字典中的键名由http、https更改为http:// 和 https:// 。

使用httpx Client设置爬虫ip的方式也一样，通过proxies参数进行传递。

import httpx

proxy = {
    'https://': 'http://112.74.202.247:16816',
    'http://': 'http://112.74.202.247:16816'
}

with httpx.Client(proxies=proxy) as client:
    response = client.get('https://httpbin.org/get')
    
print(response.json())
#xxx'origin': '112.74.202.247'xxx

aiohttp

aiohttp中设置爬虫ip与其它库有所区别，爬虫ip格式为字符串形式，通过proxy参数进行传递。

import aiohttp
import asyncio

async def main():
    async with aiohttp.ClientSession() as session:
        async with session.get('https://httpbin.org/get',proxy=proxy) as response:
            print(await response.json()) ##xxx'origin': '112.74.202.247'xxx
            
if __name__ == '__main__':
    
    proxy = "http://112.74.202.247:16816"
    loop = asyncio.get_event_loop()
    loop.run_until_complete(main())

websocket

websocket设置爬虫ip有两种方式：

第一种

from websocket import WebSocketApp

def on_message(ws, message):  #接收到消息时执行
    print(message)
    
def on_open(ws):  #开启连接时执行
    ws.send("Hello, WebSocket!")  #发送信息
    
if __name__ == "__main__":
    proxies = {
        "http_proxy_host": "112.74.202.247",
        "http_proxy_port": 16816,
    }
    
    ws = WebSocketApp("ws://echo.websocket.org/",on_message=on_message)
    ws.on_open = on_open
    ws.run_forever(**proxies)

第二种

ws = WebSocketApp("ws://echo.websocket.org/",http_proxy_host="112.74.202.247",http_proxy_port=16816)

总结

在爬虫程序开发中，使用爬虫ip是非常重要的。不论是大规模批量采集还是简单的爬虫脚本，使用爬虫ip都可以增加程序的稳定性，前提是使用的优质爬虫ip，优质爬虫ip可以帮助开发者解决很多问题，是爬虫开发者必须学会使用的一种工具。