Python爬虫学习一：什么是爬虫

前戏：

1.你是否在夜深人静的时候，想看一些会让你更睡不着的图片却苦于没有资源...
2.你是否在节假日出行高峰的时候，想快速抢购火车票成功...
3.你是否在网上购物的时候，想快速且精准的定位到口碑质量最好的商品...

一、什么是爬虫：

- 通过编写程序，模拟浏览器上网，然后让其去互联网上抓取数据的过程。

二、爬虫的价值：

- 实际应用
- 就业

三、爬虫究竟是合法还是违法的？

• 在法律中是不被禁止
• 具有违法风险
• 善意爬虫 恶意爬虫

3.1 爬虫带来的风险可以体现在如下2方面：

• 爬虫干扰了被访问网站的正常运营
• 爬虫抓取了收到法律保护的特定类型的数据或信息

3.2 如何在使用编写爬虫的过程中避免进入局子的厄运呢？

• 时常的优化自己的程序，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
• 商业机密等敏感内容需要及时停止爬取或传播

四、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。

五、爬虫的矛与盾

1 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。

2 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。

3 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。

在网站后面直接添加/robots.txt就可以看到君子协议

比如百度：www.baidu.com/robots.txt

4 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连接

常用响应头信息

• Content-Type：服务器响应回客户端的数据类型

5 https协议：

- 安全的超文本传输协议

加密方式

• 对称秘钥加密
• 非对称秘钥加密
• 证书秘钥加密