Python网络爬虫（基础）

爬虫概念：
通过编写程序，模拟浏览器上网，然后让其去网页上抓取数据的过程。

爬虫在使用场景中的分类：
①通用爬虫
抓取系统的重要组成部分。抓取的是一整张页面数据。
②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。
③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的数据。

反爬机制：
一些门户网站，通过指定相应的策略或技术手段，防止爬虫程序进行网站数据的爬取。

反反爬策略：
爬虫程序通过制定相关的策略或技术手段，破解门户网站中具备的反爬机制，从而获取门户网站中相关的数据。

robots.txt协议：
明确规定了网站中哪些数据可以被爬虫爬取，哪些数据不可以爬取。（君子协议）
网址+/robots.txt就可以查看某网站的robots.txt协议
例：https://www.baidu.com/robots.txt

超文本传输协议

http协议（Hyper Text Transfer Protocol）：
概念：服务器客户端之间进行数据交互的一种形式。
常用请求头信息：
①User-Agent：请求载体的身份标识。
②Connection：请求完毕后，是断开连接还是保持连接。
常用的响应头信息：
①Content-Type：服务器响应回客户端的数据类型。
https协议（Secure Hypertext Transfer Protocol）：
概念：安全的超文本传输协议。相对于http协议来说会对数据进行加密。
加密方式：
①对称密钥加密：客户端对即将发送给服务器端的数据采用已知的算法进行数据加密，比如MD5或者Base64加密，加密完成后，客户端将密文和密钥（解密方式）一起发送给服务器，服务器使用密钥将密文数据进行解密。但这种方式存在一定的安全隐患，一旦被窃听，或者信息被挟持，就有可能破解密钥，而破解其中的信息。

②非对称密钥加密：“非对称加密”使用的时候有两把锁，一把叫做“私有密钥”，一把是“公开密钥”，使用非对称加密的加密方式的时候，服务器首先告诉客户端按照自己给定的公开密钥进行加密处理，客户端按照公开密钥加密以后，服务器接受到信息再通过自己的私有密钥进行解密，这样做的好处就是解密的钥匙根本就不会进行传输，因此也就避免了被挟持的风险。（下图中：A是服务器，B是客户端）

非对称密钥加密存在的缺点：
Ⅰ.无法保证客户端拿到的密钥一定是由服务端创建的，可能在发送密钥的过程中密钥就被篡改了，只要是发送密钥，就有可能有被挟持的风险。
Ⅱ.非对称加密的方式效率比较低，它处理起来更为复杂，通信过程中使用就有一定的效率问题而影响通信速度

③证书密钥加密：服务器的开发者携带公开密钥，向数字证书认证机构提出公开密钥的申请，数字证书认证机构在认清申请者的身份，审核通过以后，会对开发者申请的公开密钥做数字签名，然后分配这个已签名的公开密钥，并将密钥放在证书里面，绑定在一起。服务器将这份数字证书发送给客户端，因为客户端也认可证书机构，客户端可以通过数字证书中的数字签名来验证公钥的真伪，来确保服务器传过来的公开密钥是真实的。一般情况下，证书的数字签名是很难被伪造的，这取决于认证机构的公信力。一旦确认信息无误之后，客户端就会通过公钥对报文进行加密发送，服务器接收到以后用自己的私钥进行解密。