Python 爬虫基础

爬虫基础

一、 基本概念

1、 简介

1.1 概念

什么是爬虫？

• 爬虫就是通过编写程序，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：

• 抓取互联网上面的大量的数据，可以将这些数据商业化和商品化

爬虫的合法性：

• 爬虫在法律上是不被禁止的
• 但是其具有违法风险
• 善意爬虫——百度······ / 恶意爬虫······

爬虫带来的风险具体体现：

1. 爬虫干扰了被访问网站正常运营
   • 时长优化自己的程序，避免干扰被访问网站的正常运行
2. 爬虫抓取了受到法律保护的特点类型的数据或信息
   • 在使用时，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信息、商业机密等敏感信息需要及时停止爬取或传播

1.2 爬虫分类

爬虫在使用场景中的分类

• 通用爬虫：
  • 搜索引擎抓取系统重要组成部分，抓取的是一整张页面的数据
• 聚焦爬虫：
  • 其是建立在通用爬虫的基础之上，其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情况，只会抓取网站中最新更新出来的数据

1.3 爬虫中的矛与盾

1.3.1 反爬机制

门户网站通过指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

1.3.2 反反爬策略

爬虫程序通过指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数据

1.3.3 robots 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

1.4 网络协议

1.4.1 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：当前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：服务器响应会客户端的数据类型

1.4.2 https 协议

概念：

• 安全的超文本传输协议，传输过程中进行了数据的加密

加密方式&#x