爬虫的概念

目录

什么是爬虫？

爬虫的价值

爬虫数据举例

爬虫的合法性

爬虫在使用场景中的分类

反爬机制

反反爬策略

robots.txt协议

http协议

https协议

---

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；

 

爬虫的价值

• 抓取互联网上的数据，将这些爬取的数据产品化，商业化；
• 自己的数据银行；

 

爬虫数据举例

• Python技术文章大全
• 图书价格对比网
• 最漂亮美女图片网
• 最爆笑故事APP
• 新的聚合阅读器

 

爬虫的合法性

• 在法律中是不被禁止的，但是具有违法风险；
• 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；
• 如何在使用编写爬虫的过程中，避免违法犯罪？
  • 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，审查抓取到的内容，如果发现了涉及用户隐私，商业机密等敏感内容，需要及时停止爬取或传播；

 

爬虫在使用场景中的分类

• 通用爬虫，抓取系统重要组成部分，如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上，抓取的是页面中特定的局部内容。如微博中的所有评论；
• 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，如最新的微博评论；

 

反爬机制

• 门户网站，可以通过制定相应的策略或技术手段，防止爬虫程序进行网站数据的爬取；如页面访问检查header中的User-Agent；

 

反反爬策略

• 爬虫程序可以通过制定相关的策略或技术手段，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；如模拟header中的User-Agent是浏览器访问；

 

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；
• Disallow是禁止被爬取的目录；
• Allow可以被爬取的目录；

 

淘宝的robots.txt协议

https://www.taobao.com/robots.txt

 

腾讯新闻的robots.txt协议

 

http协议

• 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；

 

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（https协议）