这是我参与「第四届青训营」笔记创作活动的第15天。
1基本原理
代理实际上指的就是代理服务器（proxy server），功能是代理网络用户去获取网络信息，是网络信息的中转站。
由于爬虫爬取速度过快，爬取过程中可能遇到同一个IP访问过于频繁的问题，此时网站就会让我们输入验证码登录或者直接封锁IP，这样会给爬取带来极大的不便，使用代理隐藏真实的IP，可以达到很好的爬取效果。
2代理的作用
突破自身IP访问限制，访问一些平时不能访问的站点。
访问一些单位或团体内部资源，如使用教育网内地址段免费代理服务器，就可以用于对教育网开放的各类FTP下载上传，以及各类资料查询共享等服务。
提高访问速度，通常代理服务器都设置一个较大的硬盘缓冲区，当有外界的信息通过时，也将其保存到缓冲区中，当其他用户再访问相同的信息时，则直接由缓冲区中取出信息，传给用户，以提高访问速度。
隐藏真实IP，上网者也可以通过这种方法隐藏自己的IP，免受攻击对于爬虫来说，用代理就是为了隐藏自身IP，防止自身的IP被封锁。
3代理的分类
3.1根据协议区分
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Realplayer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。SOCKS4协议只支持TCP SOCKS5协议支持TCP和UDP，还支持各种身份验证机制、服务器端域名解析等。SOCK4能做到的SOCKS5都可以做到，但SOCKS5能做到的SOCK4不一定能做到。
3.2根据匿名程度区分
高度匿名代理
会将数据包原封不动的转发。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，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。
3.3代理选取思路
使用网上的免费代理，最好使用高匿代理。
使用前抓取下来筛选一下可用代理，也可以进一步维护一个代理池。
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。
ADSL拨号，拨一次号换一次IP，稳定性高，也是一种比较有效的解决方案。
蜂窝代理，即用4G或5G网卡等制作的代理。由于蜂窝网络用作代理的情形较少，因此整体被封锁的几率会较低，搭建成本较高。
个人总结
本文重点介绍了爬虫代理的基本原理和作用，并介绍了根据协议区分、根据匿名程度区分的代理分类定义，最后介绍了代理的选取思路。
