01.爬虫基础简介

前戏：

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…

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：

1. 实际应用
2. 就业

爬虫究竟是合法还是违法的？

1. 在法律中是不被禁止
2. 具有违法风险
3. 善意爬虫 恶意爬虫

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。

爬虫的矛与盾

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。

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。

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。

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

下一篇：requests模块详解