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({url:"http://httpbin.org/ip"},(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 "${proxies[@]}"; 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。