在公眾號粉絲群里面，經(jīng)常有同學(xué)問：為什么自己的爬蟲明明設(shè)置了代理，但一訪問網(wǎng)站就能被發(fā)現(xiàn)。我總結(jié)了幾種常見的情況。

實際上，網(wǎng)站要識別你是否使用了代理，并不一定非要什么高深的反爬蟲機制，也不需要使用AI識別用戶行為。下面這幾種情況，要識別代理簡直是易如反掌。

你根本沒有使用代理

有一些初學(xué)者在使用Requests請求網(wǎng)站的時候，是這樣寫的代碼：

import requests

resp = requests.get('https://httpbin.org/ip').text

print('不使用代理：', resp)

resp = requests.get('https://httpbin.org/ip', proxies={'http': 'http://IP:port'}).text
print('使用代理：', resp)

運行效果如下圖所示：

為什么使用了代理以后，IP沒有變呢?這是很多剛剛使用Requests的同學(xué)常常犯的錯誤。因為你根本沒有給https網(wǎng)站使用代理，你的代理只會對http網(wǎng)站生效。要對https網(wǎng)站生效，需要給它指定代理：

resp = requests.get('https://httpbin.org/ip', proxies={'http': 'http://IP:port', 'https': 'http://IP:port'}).text

P.S.: 注意看上面的代碼，給https網(wǎng)址設(shè)置代理的時候，key是https，但值依然是http://開頭。對一些代理供應(yīng)商來說，如果你把這里設(shè)置成了https://開頭，就會報錯。不過這個原理跟本文無關(guān)，就暫時不講了。如果大家有興趣的話，我再寫一篇文章來講。

你的代理IP是服務(wù)器IP

有很多代理供應(yīng)商，他們批量采購云服務(wù)器來搭建代理服務(wù)。例如國內(nèi)的供應(yīng)商會采購阿里云、騰訊云、華為云的服務(wù)器來搭建代理。海外的供應(yīng)商會采購AWS或者Google云服務(wù)器。

如果你在云服務(wù)器上跑過不加代理的爬蟲，你會發(fā)現(xiàn)，有時候一個爬蟲，不加代理，在自己電腦上跑一點問題都沒有，但是在云服務(wù)器上一跑就會被識別。這是因為云服務(wù)器的IP地址范圍跟家用寬帶是不一樣的。

像AWS和Google云，他們的云服務(wù)器IP范圍是公開的，只要網(wǎng)站提前把來自這個范圍的所有請求全部禁掉，那么從AWS、Google云服務(wù)器上面發(fā)起的請求直接就會被當(dāng)做爬蟲請求。因此搭建在上面的代理服務(wù)自然就不會生效了。

國內(nèi)的云服務(wù)供應(yīng)商的服務(wù)器IP地址是否公布過我不太清楚，但他們的IP范圍肯定是跟家用IP不一樣的。網(wǎng)址遇到來自這些可疑IP范圍的請求時，雖然不一定完全封禁，但是彈一個驗證碼出來測一測，還是可以擋住很多爬蟲。

遇到這種情況，爬蟲只有設(shè)法采購一些使用家用寬帶搭建代理服務(wù)的供應(yīng)商，才能解決問題。但這種代理價格肯定會翻好幾倍。

你的代理IP不是高匿代理

代理IP有三種常見的類型，透明代理，匿名代理和高匿代理：

• 使用透明代理的時候，網(wǎng)站可以同時看到代理IP和你的真實IP。用了等于白用。
• 使用匿名代理的時候，網(wǎng)站看不到你的真實IP，但是在請求里面有一個特征，可以告訴網(wǎng)站，你正在使用代理訪問。
• 而只有真正的高匿代理，才能把你的爬蟲請求隱藏起來。

有一些同學(xué)可能會從網(wǎng)上搜索免費的代理IP來使用。但這里面很多代理并不是高匿代理?？隙〞话l(fā)現(xiàn)。

服務(wù)器供應(yīng)商的IP池被污染

有些人的爬蟲寫得非常垃圾，自以為有代理就無所畏懼，爬蟲請求漏掉百出，網(wǎng)站即使不檢查IP頻率，也可以從其它特征知道這是爬蟲請求，于是網(wǎng)站就會連帶著這個代理IP一起封掉。而偏偏這種垃圾爬蟲的請求速度又極快。哪怕代理供應(yīng)商的IP池中有幾百萬個IP，也會很快被這些垃圾爬蟲全部害死。

國內(nèi)頭部網(wǎng)站每天都會被數(shù)以千萬計的爬蟲請求訪問，而主流的代理供應(yīng)商就那么幾家。如果很多垃圾爬蟲都選中了同一家供應(yīng)商，而他們的代理池更新又不及時。那么你使用了這家供應(yīng)商的代理IP，自然一來就會被發(fā)現(xiàn)。

代理不支持HTTP/2

有一些網(wǎng)站需要使用HTTP/2請求。在Python里面，已經(jīng)有不少HTTP客戶端庫支持發(fā)起HTTP/2的請求了，例如httpx。但是，現(xiàn)在很少有代理供應(yīng)商能提供支持HTTP/2的代理，因為它搭建起來比較麻煩。于是，當(dāng)你使用了支持HTTP/2的客戶端，通過一個HTTP/1.1的代理IP訪問一個HTTP/2的網(wǎng)站的時候，網(wǎng)站并不能正常返回內(nèi)容。

總結(jié)

網(wǎng)站要檢測爬蟲有非常多的方法，要檢測一個請求是不是使用了代理來發(fā)起，也有很多種方法。而且這些方法并不需要什么高深的技術(shù)，一個初級工程師都能寫出來。

那些自以為給爬蟲加了代理就可隨便爬網(wǎng)站的人，你們不僅害了自己，還害了別的爬蟲。