爬虫学习-概述

一 爬虫概述

1 什么是爬虫

• 就是通过编写程序，让其模拟浏览器上网，然后在互联网中抓取数据的过程。

• 关键词抽取：
  • 模拟：浏览器就是一个纯天然最原始的一个爬虫工具。
  • 抓取：
    • 抓取一整张的页面源码数据
    • 抓取一整张页面中的局部数据

2 爬虫的分类

• 通用爬虫：
  • 要求我们爬取一整张页面源码数据
• 聚焦爬虫
  • 要求爬取一张页面中的局部的数据
    • 聚焦爬虫一定是建立在通用爬虫基础之上。
• 增量式爬虫：
  • 用来监测网站数据更新的情况，以便爬取到网站最新更新出来的数据。
• 分布式爬虫：
  • 提高爬取效率的终极武器。

3 反爬机制

• 是作用到门户网站中。如果网站不想让爬虫轻易爬取到数据，它可以制定相关的机制或者措施阻止爬虫程序爬取其数据。

4 反反爬机制

• 是作用在爬虫程序中。我们爬虫可以制定相关的策略破击反爬机制从而爬取到相关的数据。

5 第一个反爬机制

• robots协议:防君子不防小人
  • 是一个纯文本的协议，协议中规定了该网站中哪些数据可以被哪些爬虫爬取，哪些不可以被爬取。
• 破解：
  • 你自己主观性的不遵从该协议即可

例如：打开百度网站，在网址后面加入==/robots.txt==查看规定的哪些可以爬取哪些不可以爬取

打开后的界面如图。disable是不允许爬取的内容

6 爬虫带来的风险

1. 爬虫干扰了被访问网站的正常运营
2. 爬虫抓取了收到法律保护的特定类型的数据或信息

7 如何避免爬虫进局子

1. 时常优化自己的程序，避免干扰被访问的网站的正常运行
2. 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和传播

关注专栏查看完整学习过程