爬虫介绍及环境

爬虫

• 什么是爬虫
  • 就是通过编写程序模拟浏览器上网，让其去互联网中抓取数据的过程。
• 爬虫的分类：
  • 通用爬虫：爬取一整张页面源码数据。
  • 聚焦爬虫：爬取页面中局部的数据。一定是在通用爬虫的基础上实现。
    • 数据解析
  • 增量式爬虫：用来监测网站数据更新的情况。以便于爬取最新更新出来的数据！
• 爬虫合法性探究：
  • 爬虫的风险体现：
    • 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。
  • 如何规避风险：
    • 严格遵守网站设置的robots协议；
    • 在规避反爬虫措施的同时，需要优化自己的代码，避免干扰被访问网站的正常运行；
    • 在使用、传播抓取到的信息时，应审查所抓取的内容，如发现属于用户的个人信息、隐私或者他人的商业秘密的，应及时停止并删除。
• 反爬机制
  • robots协议：存在于服务器端的一个纯文本的协议。
    • User-Agent:就是请求载体的身份标识。
    • 特点：防君子不放小人
• 反反爬策略
• http的头信息
  • User-Agent
  • Connection：‘close’
  • content-type

anaconda软件介绍

• 什么是anaconda

  • 是一个基于数据分析+机器学习的集成环境。

• 什么是jupyter（超级终端）

  • 是anaconda中的一个基于浏览器可视化的编码工具

• 在指定目录下启动终端：录入jupyter notebook指令开辟指定的服务。

• cell的两种模式:cell必须要经过执行才可看到效果

  • MarkDown：编写笔记。兼容markdown的语法和html标签
  • Code：编写代码。

快捷键

• 插入cell：a,b
• 删除cell：x
• 执行cell：shift+enter
• tab:自动补全
• 切换cell的模式：y，m
• 打开帮助文档：shift+tab