python爬虫——初识

爬虫简介

1 什么是爬虫？

通过代码程序的编写，模拟一个人类上网的一个行为，然后自动获取互联网上所需的数据。

1.1 爬虫是否合法

• 在法律中是不被禁止的
• 具有违法风险
• 善意爬虫

1.2 爬虫带来的风险

• 爬虫干扰了被访问网站的正常运营
• 爬虫抓取了受到法律保护的特定类型的数据或信息
  如何避免爬虫的过程中触犯到法律
• 优化爬虫代码，避免干扰被访问的网站的正常运行
• 在使用爬虫进行数据爬取的时候，查看抓取内容是否合法，是否被网站允许

1.3 爬虫使用场景

• 通用爬虫
  抓取系统的重要组成部分。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。抓取的是页面的特定内容。
• 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。

1.4 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。
• 反反爬机制
  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。

1.4 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。