网络爬虫之路代理ip的获取与检测-创新互联

现如今大数据时代，数据的信息的重要性已经涉及到很多的方面。爬虫也因此应运而生，成为了很火的一种技术。现在从事爬虫技术工作的人很多，很多的不管大还是小的公司，只要对数据有需求都需要用到爬虫，而爬虫代理对于数据的获取又是一个不可或缺的要素，很多的代理商也因此诞生。今天我们来分享下大家在数据采集过程必须的过程吗，代理 IP的获取与检测。

许多写爬虫的朋友第一个碰到的难题就是：在对某个网站进行了持续一段时间的爬取之后，网站的反爬虫机制会返回一些错误的结果给爬虫， 503、407，，，，要不就是强制给你跳转到登录界面，让你获取elements的时候出错。或者最厉害的就是出现验证码。这时要应对这些问题就需要用到代理IP。接下里以爬取拉勾网的所有招聘信息为例，为大家解决这个问题。

由于现在网站的代理商很多，代理质量也是参差不齐，但是有点是肯定的，免费的代理质量是不会好到哪里去的，至于付费代理，只有大家实际的去测试了才知道效果。毕竟很多宣传和实际也是有出入的。下文介绍的是亿牛云代理，个人觉得质量很好。

C Sharp

     // 要访问的目标页面

     string  targetUrl = "ttps://weibo.com" ;

     // 代理服务器

     string  proxyHost = "http://t.16yun.cn" ;

     string  proxyPort = "6447" ;

     // 代理隧道验证信息

     string  proxyUser = "16IXNGXO" ;

     string  proxyPass = "366338" ;

     // 设置代理服务器

    WebProxy proxy = new  WebProxy( string .Format( "{0}:{1}" , proxyHost, proxyPort), true );

    ServicePointManager.Expect100Continue = false ;

    var  request = WebRequest.Create(targetUrl) as  HttpWebRequest;

    request.AllowAutoRedirect = true ;

    request.KeepAlive = true ;

    request.Method    = "GET" ;

    request.Proxy     = proxy;

     //request.Proxy.Credentials = CredentialCache.DefaultCredentials;

    request.Proxy.Credentials = new  System.Net.NetworkCredential(proxyUser, proxyPass);

     // 设置Proxy Tunnel

     // Random ran=new Random();

     // int tunnel =ran.Next(1,10000);

     // request.Headers.Add("Proxy-Tunnel", String.valueOf(tunnel));

     //request.Timeout = 20000;

     //request.ServicePoint.ConnectionLimit = 512;

     //request.UserAgent = "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.82 Safari/537.36";

     //request.Headers.Add("Cache-Control", "max-age=0");

     //request.Headers.Add("DNT", "1");

     //String encoded = System.Convert.ToBase64String(System.Text.Encoding.GetEncoding("ISO-8859-1").GetBytes(proxyUser + ":" + proxyPass));

     //request.Headers.Add("Proxy-Authorization", "Basic " + encoded);

     using  ( var  response = request.GetResponse() as  HttpWebResponse)

     using  ( var  sr = new  StreamReader(response.GetResponseStream(), Encoding.UTF8))

    {

        string  htmlStr = sr.ReadToEnd();

    }

我这个是使用的动态转发代理，程序不需要自己管理 ip池，配置好就可以直接采集数据，这个比较方便节约时间，他们的后台会自动切换ip。只要程序跑起来采集到数据就是代理用上了。不过这个需要看业务需求，如果需要自己管理ip池，自己控制ip的使用那可以换成api模式的。代理虽然是采集数据的但是程序的反爬策略优化也是不能少的，需要完善自己的爬虫程序，ua，cookie等都需要完善才能更好的采集数据。