Python3爬虫篇之爬虫初识

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

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…
4. …

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