爬虫入门_1：爬虫基础简介

由于最近这段时间在学习爬虫相关知识，所以将相关笔记整理出来，分享给大家~~~

1.1 爬虫初始及深入

爬虫，就是通过编写程序，模拟浏览器上网，然后让其去互联网上抓取数据的过程。

1.1.1 爬虫在使用场景中的分类

• 通用爬虫

  抓取系统种农药组成部分。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

1.1.2 反爬&反反爬机制

• 反爬机制：门户网站，可以通过指定相应的策略或技术手段，防止爬虫程序进行网站数据的爬取

• 反反爬策略：爬虫程序可以通过指定相关的策略或技术手段，破解门户网站中具备的反爬机制，从而可以获取门户网站的数据

1.1.3 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。

1.2 http&https协议

• http协议：就是服务器和客户端进行数据交互的一种形式。
• https协议：安全的超文本的传输协议

1.2.1 常用请求头&响应头信息

• 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

1.2.2 加密方式

• 对称秘钥加密

• 非对称秘钥加密

  “非对称秘钥加密”使用的时候有两把锁，一把叫做“私有秘钥”，一把是“公开秘钥”，使用非对象加密的加密方式的时候，服务器首先告诉客户端按照自己给定的公开秘钥进行加密处理，客户端按照公开秘钥加密以后，服务器接收到信息再通过自己的私有秘钥进行解密，这样做的好处就是解密的钥匙根本就不会进行传输，因此也就避免了被挟持的风险。就算公开秘钥被窃听者拿到了，它也很难进行解密，因为解密过程是对离散对数求值，这可不是轻而易举就能做到的事。以下是非对称加密的原理图：

但是非对称秘钥加密技术也存在如下缺点：

• 第一个是：如何保证接收端向发送端发出公开秘钥的时候，发送端确保收到的是预先要发送的，而不是被挟持。只要是发送秘钥，就有可能被挟持的风险。

• 第二个是：非对称加密的方式效率比较低，它处理起来更为复杂，通信过程中使用就有一定的效率问题而影响通信速度

• 证书秘钥加密

  在上面提到了非对称加密的缺点，其中第一个就是公钥很可能存在被挟持的情况，无法保证客户端收到的公开秘钥就是服务器发行的公开秘钥。此时就引出了公开秘钥证书机制。数字证书认证机构是客户端与服务器都可信赖的第三方机构。证书的具体传播过程如下：

  • 服务器的开发者携带公开秘钥，向数字证书认证机构提出公开秘钥的申请，数字证书认证机构在认清申请者的身份，审核通过以后，会对开发者申请的公开密钥做数字签名，然后分配这个已签名的公开秘钥，并将秘钥放在证书里面，绑定在一起

  • 服务器将这份数字证书发送给客户端，因为客户端也认可证书机构，客户端可以通过数字证书中的数字签名来验证公钥的真伪，来确保服务器传过来的公开密钥是真实的。一般情况下，证书的数字签名是很难被伪造的，这取决于认证机构的公信力。一旦确认信息无误之后，客户端就会通过公钥对报文进行加密发送，服务器接收到以后用自己的私钥进行解密。

如果本文对你有帮助，记得“点赞”哦~