1 前提
1.1 概念
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。
1.2 风险
1.2.1 干扰被访问网站的正常运营
1.2.2 爬取了受到法律保护的数据
1.3 注意事项
1.3.1 优化程序,避免干扰被访问网站的正常运行
1.3.2 审查爬取到的数据,停止爬取涉及到用户或者商业机密的敏感信息
2 使用
2.1 在使用场景中的分类
2.1.1 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。
2.1.2 聚焦爬虫
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。
2.1.3 增量式爬虫
检测网站中数据更新的情况,只抓取网站中最新更新出来的数据。
2.2 robots.txt协议
君子协议,规定网站中可以爬取和不可以爬取的数据。
https://www.baidu.com/robots.txt