数据爬取-简介

爬虫的合法性？

• 在法律中是不被禁止的
• 但具有违法风险
• 善意爬虫、恶意爬虫

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

如何避免进局子？（重点！！）

• 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，审查抓取的内容，如果发现了涉及到用户隐私、商业机密等敏感内容，应当及时停止爬取或传播

爬虫在使用场景中的分类

• 通用爬虫：抓取系统的主要组成部分。抓取的是一整张页面的数据。
• 聚焦爬虫：建立在通用爬虫的基础之上。被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措施或者技术手段，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应的措施或者技术手段，破解门户网站中具备的反爬机制，从而获取门户网站的相关信息。

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虫爬取。（但是想爬还是可以爬，只能说防君子不防小人）

以知乎的网页为例：https://www.zhihu.com/robots.txt
标明allow的就是可以爬取的，disallow的就是不允许爬取的

http协议

• 概念：服务器和客户端进行数据交互的一种形式。

常用的请求头信息

• 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

常用的响应头信息

• Content-Type：服务器响应返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

• 对称密匙加密
• 非对称密匙加密
• 证书密匙加密（https协议采用的）