爬虫【一】

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。

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：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。例：（在网址后加上/robots.txt即可查看）

爬虫流程

• 模拟请求网页。模拟浏览器，打开目标网站。
• 获取数据。打开网站之后，就可以自动化的获取我们所需要的网站数据。
• 保存数据。拿到数据之后，需要持久化到本地文件或者数据库等存储设备中。

Rquests库是Python中发起HTTP请求的库。

http和https协议

http协议
— 概念：服务器和客户端进行数据交互的一种新式。
— 常用请求头信息：

1. User-Agent：请求载体的身份标识
2. Connection：请求完毕后，是断开连接还是保持连接
   例：（网页右击选择 检查）
   
   — 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（http不安全）
加密方式：①对称秘钥加密②非对称秘钥加密③证书秘钥加密