第一章:爬虫基础简介
1.爬虫使用场景分类
- 通用爬虫:
爬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,智慧抓取网站中最新更新出来的数据
2.爬虫的矛与盾
3.反爬机制
门户网站,可以通过指定响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
4.反反爬策略
破解门户网站具备的反爬机制,从而可以获取门户网站数据
5. robots.txt协议 (一种反爬机制)
规定网站中那些数据可以爬取那些数据不可以被爬取
6.http协议
就是服务器跟客户端交互的一种形式
- 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: 服务器响应客户端的数据类型 - https协议
表示安全的超文本传输协议(传输的信息进行了数据加密) - 加密方式
(1)对称秘钥加密
在客户端进行加密,将加密后的数据和解密方式(秘钥)发送给服务器,服务器通过秘钥解密获取数据
弊端:数据被拦截时会暴露信息
(2)非对称秘钥加密
在服务器确定加密方式(创建秘钥对:公钥和私钥),服务器将私钥发送给客户端,客户端通过私钥加密后将加密后的数据传递给服务器,服务器通过公钥解密获取数据
好处: 数据传输过程中不会暴露解密方式
弊端:效率比较低, 向客户端发送私钥时有被劫持的风险(可能在传输路途中被篡改)
(3)证书秘钥加密
在非对称加密中加入第三方认证机构,服务器将私钥发送给认证机构,
认证机构对私钥进行认证,添加数字签名(防伪标记),然后将签名后的私钥发送给客户端,
确保客户端拿到的私钥时从服务器端发送过来的
https采用的证书加密方式