Python 数据采集的介绍
Python 数据采集的介绍
1.爬虫是什么
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。
2.爬虫的合法性
2.1 风险
- 爬虫干扰了被访问网站的正常运营
- 抓取了受到法律保护的特定类型的数据信息
2.2 使用
- 优化程序,避免干扰被访问网站的正常运行。
- 使用,或传播抓取到的数据时,审查抓取内容中是否存在商业机密或个人隐私等内容,应该及时停止采集。
3.介绍
3.1 分类
概述:按照使用场景进行分类
- 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。
3.2 反爬机制
-
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。
3.3 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。
查看网站的协议,直接在相关网站后添加/robots.txt
4.Http与Https
4.1 http与https 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
继续努力,终成大器!