您的位置: 首页 > 新闻资讯 > 正文

如何利用动态IP代理迎合爬虫系统?

发布时间:2019-09-05 17:03:39 来源:互联网

如何利用动态IP代理迎合爬虫系统。为了避免恶意攻击,企业在做网站系统,在写爬虫时,某些网站会有一些防爬措施,比如限制单个ip的访问频率。而突破ip限制的方式,大概有如下几种:

如何利用动态IP代理迎合爬虫系统?

和被爬的网站合作,将自己的ip加入白名单;

买多台具有公网ip的服务器,每台都布一个爬虫脚本,相当于每个爬虫都有自己的独立ip;

买一些便宜的ip资源,用这些ip做代理(可以是配置很低的且每台机器具有多个公网ip的服务器,只负责网络代理,不跑业务)。

方式1,既然选择爬人家的数据,初期阶段应该没有合作的意向或没有合作的通道。

方式2,多台服务器成本高,同一爬虫部署多处,维护成本也高(配置、部署、升级、爬虫间相互协调等)。

方式3,成本低,脚本无需部署多处。

本文将针对方式3,从原理到实现,一步一步地说明。

http代理原理

当访问某个站点时,网站服务器可以获取到访问者的ip. 服务器可以根据来自该ip的请求情况,做一些限流操作。而代理,是在访问者和站点之间,加一个中间人。访问者向中间人发请求,中间人将该请求转发给站点,最后中间人把站点的响应返回给访问者。在这个过程中站点只能看到代理(中间人)的ip。

无代理的情况: 访问者 <==> 站点 (站点看到的是访问者的ip)

有代理的情况: 访问者 <==> 代理 <==> 站点 (站点看到的是代理的ip)

有动态代理的情况: 访问者 <==> [ 代理1,代理2,代理3,... ] <==> 站点 ( 站点看到的是多个代理的随机ip )

使用 curl 做实验

访问 http://httpbin.org/ip 可以得到自己的ip:

curl http://httpbin.org/ip{ "origin": "58.243.254.31"}

可以看到我的外网ip是58.243.254.31 。curl 支持--proxy参数来指定代理:

curl --proxy http://localhost:1087 http://httpbin.org/ip{ "origin": "217.197.160.199"}

使用代理后,我的ip(对于被访问的站点来说),变成了217.197.160.199。 通过以上实验,想必你对代理也有了一定的感知。

用nodejs写一个简单的爬虫

这个爬虫很简单,就是请求http://httpbin.org/ip,将返回值打印到控制台。

# 创建一个名为node-crawler的文件夹mkdir node-crawler# 进入这个文件夹cd node-crawler# 创建一个默认的package.jsonnpm init -y# 安装request依赖npm i -S request# 新建一个名为index.js的文件touch index.js

index.js的内容如下:

const request = require("request");request(,(err,res,body)=>{ // 暂时忽略错误信息,直接打印body console.log(body);});

在控制台执行node index.js, 会得到如下输出:

{ "origin": "58.243.254.31, 58.243.254.31"}

和curl类似,我们可以给request方法配置代理参数:

const request = require("request");request({ url:"http://httpbin.org/ip",proxy:"http://localhost:1087"},(err,res,body)=>{// 暂时忽略错误信息,直接打印body console.log(body);});

再次执行node index.js, 将得到如下输出:

{ "origin": "217.197.160.199, 217.197.160.199"}

至此,单个http代理已经完成了。接下来我们讨论如何动态地在多个http代理间来回切换,以此来弱化被爬的站点对访问者ip的限制。

第一种方案

从外部将ip代理参数传给爬虫脚本,爬虫运行完成后自动退出,再取另一个ip代理参数,重新跑爬虫脚本,以此形式周而复始。

可以写一个这样的shell脚本:

#!/usr/bin/env bash# 假设有2个http代理可用proxies=( 'http://a.b.c.d:8443' 'http://h.i.j.k:1087');# 周而复始地while(true); do # 每次拿出一个代理 for p in "$"; do echo 使用代理 $p # 用该代理跑爬虫 PROXY=$p node index.js # 休眠一定时间 sleep 5 donedone

其中 PROXY=$p 是定义一个环境变量PROXY, 其值是2个http代理中的任意一个。我们修改一下index.js, 让其使用PROXY环境参数作为其代理:

const request = require("request");const proxy = process.env.PROXY;request({ url:"http://httpbin.org/ip", proxy },(err,res,body)=>{ // 暂时忽略错误信息,直接打印body console.log(body);});

该方案使用bash脚本配合js爬虫脚本一起使用,对于不懂bash的人来说,维护起来有一定的心理负担。接下来,我们使用纯js语言实现。

第二种方案

将方案一中的bash转换为js,index.js内容调整为以下内容:

const request = require("request");const proxies = ["http://a.b.c.d:8443","http://h.i.j.k:1087"];main();// index 是循环执行的次数function main( index=0 ){ request({ url:"http://httpbin.org/ip", // 来回的取proxy proxy: proxies[index % proxies.length] }, (err, res, body) => { // 暂时忽略错误信息,直接打印body console.log(body); // 5秒后取下一个proxy,重新跑爬虫 setTimeout( main, 5000, index+1 ); });}

综上,我们实现了从不使用代理到使用单个代理,再到使用多个代理的过程,使得我们的爬虫能尽可能少地受到服务器限流的影响。我们也看以当一个需求的解决方案有多种时,如何从经济成本、开发成本、维护成本上做取舍。


相关文章内容简介

1 如何利用动态IP代理迎合爬虫系统?

  如何利用动态IP代理迎合爬虫系统。为了避免恶意攻击,企业在做网站系统,在写爬虫时,某些网站会有一些防爬措施,比如限制单个ip的访问频率。而突破ip限制的方式,大概有如下几种:  和被爬的网站合作,将自己的ip加入白名单;  买多台具有公网ip的服务器,每台都布一个爬虫脚本,相当于每个爬虫都有自己的独立ip;  买一些便宜的ip资源,用... [阅读全文]

最新标签