网络爬虫是一种互联网机器人，它通过爬取互联网上网站的内容来工作。它是用计算机语言编写的程序或脚本，用于自动从Internet上获取任何信息或数据。机器人扫描并抓取每个所需页面上的某些信息，直到处理完所有能正常打开的页面。那么，在使用代理IP进行爬虫的时候，我们应该如何确保爬虫工作正常开展呢?

　　一、分析目标网站数据模块

　　当我们确定要爬取的网站时，一定不是立刻去敲代码，应该先分析目标网站的数据模块，以电商类网站举例，包括商品、价格、评价、销量、促销活动等信息;还有信息综合类网站，有体育新闻、科技新闻、娱乐新闻等，而且每一个版块下面可能还有二级分类，三级分类。

　　二、分析目标网站反网络爬虫策略

　　正常发出去的http请求到目标网站，返回的200状态，表明请求合法被接受，并且能够看到返回的数据。要是触发了目标网站的反爬策略，那就会把当前ip列入到异常黑名单，再也不可以正常浏览了。所以如何分析目标网站的反网络爬虫策略呢，只能不断的去尝试，比如一个ip访问多少次会触发，短时间访问多少次会触发，还有一些其他方面的限制，比如验证码、cookies等等。通过不断尝试，逐渐了然于心。

　　三、数据分析，代理ip池要求

　　我们通过需要获取多少数据，能够大概了解需要访问多少网页;通过目标网站的反爬策略，能大概知道需要多少代理ip，需要多大的代理ip池。假设要访问100万个页面，每个ip能访问100个页面后会触发反爬机制，那大概需要1万左右不重复的代理ip;假设每次爬取一个页面需要10秒，加上抓取频率控制5秒，100个页面需要1500秒，可以得出单个ip的使用时间大概需要30分钟左右，当然，这只是个大概的数字，也不一定准确，毕竟目标网站的响应时间不是固定的，频率控制也是随机的，而且在抓取过程中也会有其他状况发生。

　　四、编写demo,分析网站结构

　　先模拟http请求目标网页，看下网站响应的数据内容大概的形式，正常浏览的时候是能获取目录数据和进入目录的具体链接，然后根据链接抓取获得每一个模块的具体数据包。

　　五、数据存储，设计数据库

　　爬虫爬取的数据量很大的话，数据库的设计也很关键，合理的设计，存取和管理的效率也会提高很多。