爬虫

爬虫基础简介

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在如下两个方面：

   ---爬虫干扰了被访问网站的正常运营

   ---爬虫抓取了收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？

   ---时常优化自己的程序，避免感染被访问网站的正常运行

   ---在使用，传播爬取到的数据时间，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

       一 通用爬虫：

                   抓取系统重要的组成部分，抓取的是一整张页面的数据

       一 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

       一 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，阻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应的策略或者技术手段，破解门户网站中具备的反爬机制 ，从而获取门户网站数据

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。

   网站地址+robots.txt    例如：https://www.bilibili.com/robots.txt

http协议

   一 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：

   一 User-Agent ：请求载体的身份标识

例如：user-agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36

   一 Connection：请求完毕后，式断开连接还说保持连接

常用响应头信息：

   一 Content-Type：服务器响应回客户端的数据类型

https协议：

   一 安全的超文本传输(http)协议

加密方式：

   一 对称密钥加密

   一 非对称密钥加密

   一 证书密钥加密