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)