网络爬虫的学习动机和Robots协议

---

网络爬虫是什么？

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。

我为什么要学习网络爬虫？

互联网世界很大，我想去看看，人力终究是有限的，就让机器去帮我拿到我想要的吧！

道德规范—Robots协议

Robots协议用来告知搜索引擎哪些页面能被抓取，哪些页面不能被抓取。
以淘宝为例：
在浏览器框中输入https://www.taobao.com/robots.txtd可查看淘宝的robots协议，具体显示如下：

User-agent: Baiduspider
Disallow: /

User-agent: baiduspider
Disallow: /

Python爬虫技术基础学习

获取网页

基础技术：

• request
• urllib
• selenium

进阶技术：

• 多进程多线程抓取
• 登录抓取
• 突破IP封禁
• 服务器抓取

解析网页

基础技术：

• re正则表达式
• BeautifulSoup
• lxml

进阶技术：

• 解决中文乱码

存储网页

基础技术：

• 存入txt文件
• 存入csv文件

进阶技术：

• 存入MySql数据库
• 存入MongDB数据库

Python反爬虫技术

接下来将学习如下反爬虫技术：

• Cookie反爬虫
• WebSocket反爬虫
• 字体反爬虫
• WebDriver反爬虫
• APP反爬虫
• 验证码反爬虫
• JavaScript混淆
• CSS偏移
• ……

总结

以上就是今天要讲的内容，本文仅仅简单介绍了网络爬虫是什么？Robots协议是什么？以及爬虫三大流程技术学习和接下来的反爬虫技术学习