如何使用代理IP进行数据抓取，PHP爬虫抓取亚马逊商品数据

 

什么是代理？什么情况下会用到代理ip？

代理服务器（proxy server），其功能就是代用户去取得网络信息，然后返回给用户。形象的说：它是网络信息的中转站。通过代理ip访问目标站，可以隐藏用户的真实ip。

比如你要抓取一个网站数据，该网站有100万条内容，他们做了ip限制，每个ip每小时只能抓1000条，如果单个ip去抓因为受限，需要40天左右才能采集完，如果用了代理ip，不停的切换ip，就可以突破每小时1000条的频率限制，从而提高效率。

 

其他想切换ip或者隐藏身份的场景也会用到代理ip，比如seo等。

 

代理ip有开放代理也有私密代理，开放代理是全网扫描而来的，不稳定，不适合爬虫，如果自己随便用用还好。用爬虫抓数据，最好使用私密代理。私密代理网上有很多提供商，稳定性参差不齐，现在我们公司使用的是“亿牛云”提供的私密代理。

我们公司有个项目是抓取亚马逊数据来进行分析销量、评论等，用php进行抓取，抓取亚马逊要特别注意header头，否则输出的数据就是空了。我们之前是使用的其他家代理的api模式的，但是自己管理ip池觉得很麻烦，所以选择了亿牛云提供的爬虫代理，动态转发模式的，不需要我们自己管理ip池，直接进行数据采集，这很方便也节约了很多时间。

 

      

        $url = “https://www.amazon.com/dp/b01h2s9f6c”;

        $urls = “https://httpbin.org/ip”;

 

        define(“proxy_server”, “tcp://t.16yun.cn:31111”);

 

        define(“proxy_user”, “16yun123”);

        define(“proxy_pass”, “123456”);

 

        $proxyauth = base64_encode(proxy_user . “:” . proxy_pass);

 

        $tunnel = rand(1,10000);

 

        $headers = implode(“\r\n”, [

            “proxy-authorization: basic {$proxyauth}”,

            “proxy-tunnel: ${tunnel}”,

        ]);

        $sniserver = parse_url($urls, php_url_host);

        $options = [

            “http” => [

                “proxy”  => proxy_server,

                “header” => $headers,

                “method” => “get”,

                ‘request_fulluri’ => true,

            ],

            ‘ssl’ => array(

                    ‘sni_enabled’ => true, // disable sni for https over http proxies

                    ‘sni_server_name’ => $sniserver

            )

        ];

        print($url);

        $context = stream_context_create($options);

        $result = file_get_contents($url, false, $context);

        var_dump($result);

        print($urls);

        $context = stream_context_create($options);

        $result = file_get_contents($urls, false, $context);

        var_dump($result);?>