爬虫基础简介

什么是爬虫
爬虫的价值
爬虫究竟是合法还是违法的?
爬虫在使用场景中的分类
反爬机制

Python 网络爬虫

前戏:
1.你是否在夜深人静的时候,想看一些会让你更睡不着的图片却苦于没有资源…
2.你是否在节假日出行高峰的时候,想快速抢购火车票成功…
3.你是否在网上购物的时候,想快速且精准的定位到口碑质量最好的商品…

什么是爬虫:
– 通过编写程序,模拟浏览器上网,然后让其去互联网上抓取数据的过程。

爬虫的价值:
– 实际应用
– 就业

爬虫究竟是合法还是违法的?

  • 在法律中是不被禁止
  • 具有违法风险
  • 善意爬虫 恶意爬虫

爬虫带来的风险可以体现在如下2方面:
– 爬虫干扰了被访问网站的正常运营
– 爬虫抓取了收到法律保护的特定类型的数据或信息

如何在使用编写爬虫的过程中避免进入局子的厄运呢?
– 时常的优化自己的程序,避免干扰被访问网站的正常运行
– 在使用,传播爬取到的数据时,审查抓取到的内容,如果发现了涉及到用户隐私
商业机密等敏感内容需要及时停止爬取或传播

爬虫在使用场景中的分类
– 通用爬虫:
抓取系统重要组成部分。抓取的是一整张页面数据。
– 聚焦爬虫:
是建立在通用爬虫的基础之上。抓取的是页面中特定的局部内容。
– 增量式爬虫:
检测网站中数据更新的情况。只会抓取网站中最新更新出来的数据。

爬虫的矛与盾

反爬机制
门户网站,可以通过制定相应的策略或者技术手段,防止爬虫程序进行网站数据的爬取。

反反爬策略
爬虫程序可以通过制定相关的策略或者技术手段,破解门户网站中具备的反爬机制,从而可以获取门户网站中相关的数据。

robots.txt协议:
君子协议。规定了网站中哪些数据可以被爬虫爬取哪些数据不可以被爬取。

http协议
– 概念:就是服务器和客户端进行数据交互的一种形式。
常用请求头信息
– User-Agent:请求载体的身份标识
– Connection:请求完毕后,是断开连接还是保持连接

常用响应头信息
– Content-Type:服务器响应回客户端的数据类型

https协议:
– 安全的超文本传输协议

加密方式
– 对称秘钥加密
– 非对称秘钥加密
– 证书秘钥加密

发表评论

邮箱地址不会被公开。 必填项已用*标注