一、爬虫基础知识
1.1、爬虫分类
● 通用爬虫: 搜索引擎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: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。
1.2、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。
1.3、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]户网站中具备的反爬机制,从而可以获取门户网站的信息
1.4、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。
https://www.taobao.com/robots.txt(淘宝)
1.5、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。
1.5.1、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
1.5.2、常用响应头信息
Content-Type:服务器响应回客户端的数据类型
1.5.3、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