爬虫简介
百度百科:
网络爬虫(又称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
通俗讲:
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。
爬虫用途
- 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…
- 你是否在节假日出行高峰的时候,想快速抢购火车票成功…
- 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…
- …
爬虫本质
模拟浏览器打开网页,获取网页中我们想要的那部分数据
浏览器打开网页的过程:
- 在浏览器中输入地址,
- 通过DNS服务器找到服务器主机
- 向服务器发送一个请求
- 服务器经过解析后发送给用户浏览器结果,包括html,js,css等文件内容
- 浏览器解析出来最后呈现给用户在浏览器上看到的结果
所以用户看到的浏览器的结果就是由HTML代码构成的,我们爬虫就是为了获取这些内容,通过分析和过滤html代码,从中获取我们想要资源(文本,图片,视频…)
爬虫的合法性
- 在法律中是不被禁止
- 具有违法风险
- 善意爬虫 or 恶意爬虫
爬虫的风险
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
如何避免进局子
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
爬虫的分类
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。
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。
常见的反爬机制
- robots.txt
- 检测UA
- 检测IP
- 动态加载网页内容
- 验证码
- 数据加密
- token
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。
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://blog.csdn.net/qq_32617703/article/details/103313139
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。
https协议
安全的超文本传输协议
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
加密方式
- 对称秘钥加密
- 非对称秘钥加密
- 证书秘钥加密