Python爬虫引入

什么是爬虫？

• 通过编写程序，模拟浏览器上网，让其在互联网上抓取数据的过程。

爬虫的价值

• 实际应用
  • 抓取互联网上的数据，为我所用。
• 就业

爬虫究竟是合法还是非法的？

• 在法律中不被禁止
• 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两个方面

• 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

如何在编写爬虫的过程中避免违反法律呢

• 时常优化自己的程序，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或商业机密等敏感内容，我们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。抓取的页面中特定的局部内容。
• 增量式爬虫
  • 监测网络中数据更新的情况。只会爬取网站中最新更新出来的数据。

反爬机制

• 门户网站，可以通过指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链接

常用响应头信息

• Contect-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：客户端向服务器发送一条信息，首先客户端会采用已知的算法对信息进行加密，比如MD5或者Base64加密，接收端对加密的信息进行解密的时候需要用到密钥，中间会传递密钥，（加密和解密的密钥是同一个），密钥在传输中间是被加密的。这种方式看起来安全，但是仍有潜在的危险，一旦被窃听，或者信息被挟持，就有可能破解密钥，而破解其中的信息。因此“共享密钥加密”这种方式存在安全隐患。
  

• 非对称密钥加密

  • 非对称秘钥加密：“非对称加密”使用的时候有两把锁，一把叫做"私有密钥"，一把是"公开密钥"，使用非对称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密钥进行加密处理，客户端按照公开密钥加密以后，服务器接受到信息再通过自己的私有密钥进行解密，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。就算公开密钥被窃听者拿到了，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，而不会被挟持。只要是发送密钥，就有可能有被挟持的风险。
    • 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：在上面我们讲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密钥就是服务器发行的公开密钥。此时就引出了公开密钥证书机制。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密钥，向数字证书认证机构提出公开密钥的申请，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密钥，并将密钥放在证书里面，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。