【爬虫】第一章:爬虫基础简介

前戏:
1.你是否在夜深人静的时候,想看一些会让你更睡不着的图片
2.你是否在考试或者面试前夕,想看一些具有针对性的题目和面试题
3.你是否想在杂乱的网络世界中获取你想要的数据

什么是爬虫:
- 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:
- 实际应用
- 就业

爬虫究竟是合法还是违法的?
- 在法律中是不被禁止的
- 具有违法风险
- 善意爬虫 恶意爬虫

爬虫带来的风险可以体现如下两个方面:
- 爬虫干扰了被访问网站的正常运营
- 爬虫抓取了受到法律保护的特定类型的数据或信息

如何在使用编写爬虫的过程中避免进入局子的厄运呢?
- 时常的优化自己的程序,避免干扰被访问网站的正常运行
- 在使用,传播爬取到的数据时,审查抓取到的内容,如果发现了涉及到用户隐私、商业机密等敏感内容需要及时停止爬取或传播

爬虫在使用场景中的分类
- 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

爬虫的矛与盾

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

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
在网站后加上 /robots.txt 即可查询,如:https://www.baidu.com/robots.txt

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: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http(经过加密的,加密的方式就是证书密钥加密)

加密方式:
1.对称密钥加密(有安全隐患,要是被A拦截了,A就可用密钥打开密文)

2.非对称密钥加密(公钥可能在中间被拦截、篡改后再继续发送)

3.证书密钥加密(中间加一个证书认证机构)

posted on   无焦虑  阅读(32)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· CSnakes vs Python.NET:高效嵌入与灵活互通的跨语言方案对比
· DeepSeek “源神”启动!「GitHub 热点速览」
· 我与微信审核的“相爱相杀”看个人小程序副业
· Plotly.NET 一个为 .NET 打造的强大开源交互式图表库
· 上周热点回顾(2.17-2.23)
< 2025年2月 >
26 27 28 29 30 31 1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 1
2 3 4 5 6 7 8

点击右上角即可分享
微信分享提示