HTTP代理

代理是爬虫技术中很重要的一项。因为有一些网站会有相应的安全策略。例如检测一段时间内，某个IP地址的访问次数，如果访问频率过高，说明你不是正常访客，然后禁止你这个IP的访问。

应对这种机制有两种手段：

• 放慢抓取速度，减小对目标网站的访问压力。
• 设置代理IP，实现高频率抓取，但是这需要多个稳定的代理IP。

HttpClient支持设置代理。

CloseableHttpClient httpclient = HttpClients.createDefault();

/**
 * 第一种方式：最简单
 * proxyHost：代理IP
 * proxyPort：代理端口号
 * 注意：new HttpHost()是支持指定协议类型的，但是httpClient不默认支持socks协议，
 *      所以如果我们把上面代码中的协议改成new HttpHost("proxyHost", proxyPort, "SOCKS")，会报错。
 */
HttpHost proxy = new HttpHost("proxyHost", 900, "HTTP");
HttpGet get = new HttpGet("192.168.1.1:8080/findUser");

CloseableHttpResponse response = httpclient.execute(proxy, get);

CloseableHttpClient httpclient = HttpClients.createDefault();
        
/**
 * 第二种方式
 */
HttpGet httpGet = new HttpGet("192.168.1.1:8080/findUser");

httpGet.setConfig(
        RequestConfig.custom()
                .setProxy(new HttpHost("proxyHost", proxyPort, "HTTP"))
                .build()
);

CloseableHttpResponse response = httpclient.execute(httpGet);

/**
 * 第三种方式：使用RoutePlanner
 */
HttpClientBuilder httpClientBuilder = HttpClients.custom();

//<1> 使用默认
HttpHost proxy = new HttpHost("proxyHost", proxyPort);
DefaultProxyRoutePlanner routePlanner = new DefaultProxyRoutePlanner(proxy);
httpClientBuilder.setRoutePlanner(routePlanner);

//<2>或者使用标准的JRE代理选择器，即使用系统代理
SystemDefaultRoutePlanner systemRoutePlanner = new SystemDefaultRoutePlanner(
        ProxySelector.getDefault());
httpClientBuilder.setRoutePlanner(systemRoutePlanner ); 
CloseableHttpClient httpClient = httpClientBuilder.build();

1. RoutePlanner

在httpClient的请求执行过程中，HttpRoute首先出现在请求执行链的入口处，在进入请求执行链之前，使用routePlanner来根据目标主机、请求和请求上下文来计算出HttpRoute。详见InternalHttpClient#doExecute源码。

HttpClient默认计算HttpRoute的算法大致为：

• 如果在请求上下文context里能找到代理，直接用来创建HttpRoute对象；
• 如果没有设置代理，并且没有使用系统属性，用DefaultRoutePlanner，计算出的HttpRoute的proxyChain为null；
• 如果设置了代理，用DefaultProxyRoutePlanner，计算出的HttpRoute的proxyChain里只有一个，就是设置的代理；
• 如果没有设置代理，但使用系统数据，用SystemDefaultRoutePlanner，它使用JDK的ProxySelector，从JVM配置和系统配置里获取代理链，再从代理链里寻找第一个HTTP类型的代理，来创建HttpRoute对象。如果没有找到HTTP类型的代理，计算出的HttpRoute的proxyChain为null.

2. 如何设置系统代理

注：系统代理配置指的 JVM 系统，而不是操作系统。

使用Java System类可以设置 HTTP 代理，HTTPS 代理和 SOCKS 代理：

// HTTP 代理，只能代理 HTTP 请求
System.setProperty("http.proxyHost", "127.0.0.1");
System.setProperty("http.proxyPort", "9876");
 
// HTTPS 代理，只能代理 HTTPS 请求
System.setProperty("https.proxyHost", "127.0.0.1");
System.setProperty("https.proxyPort", "9876");
 
// 同时支持代理 HTTP/HTTPS 请求
System.setProperty("proxyHost", "127.0.0.1");
System.setProperty("proxyPort", "9876");

// SOCKS 代理，支持 HTTP 和 HTTPS 请求
// 注意：如果设置了 SOCKS 代理就不要设 HTTP/HTTPS 代理
System.setProperty("socksProxyHost", "127.0.0.1");
System.setProperty("socksProxyPort", "1080");

当然也可以使用JVM命令行参数，如果是IDE项目，可以在启动设置中设置JVM 参数：