Python爬虫从入门到精通:(1)爬虫基础简介_Python涛哥

第一章,爬虫基础简介

爬虫概述

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获取你想要的数据…

爬虫的价值

  • 实际应用
  • 就业

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

  • 关键词抽取:
    • 模拟:浏览器就是一个纯天然最原始的一个爬虫工具
    • 抓取:
      • 抓取一整张页面源码数据
      • 抓取一整张页面中的局部数据

爬虫的分类

  • 通用爬虫:
    • 要求我们爬取一整张的页面源码数据
  • 聚焦爬虫
    • 要求爬取一张页面中的局部的数据
      • 聚焦爬虫一定是建立在通用爬虫基础之上
  • 增量式爬虫:
    • 用来检测网站数据更新的情况,以便爬取到网站最新更新出来的数据。
  • 分布式爬虫:
    • 提高爬虫效率的终极武器。

反爬、反反爬

反爬机制
  • 是作用到门户网站中。如果网站不想让爬虫轻易爬取到数据,它可以制定相关的机制或者措施阻止爬虫程序爬取数据。
反反爬策略
  • 是作用在爬虫程序中。我们爬虫可以制定相关的策略破击反爬机制从而爬取到相关的数据。
第一种反爬机制
  • robots协议:防君子不防小人

    • 是一个纯文本的协议,协议中规定了该网站中哪些数据可以被哪些爬虫爬起,哪些不可以被爬取。
  • 破解:

    • 你自己主观性的不遵从该协议即可。

爬虫究竟是合法还是违法?

  • 在法律上是不被禁止
  • 具有违法风险
  • 善意爬虫 恶意爬虫

爬虫带来的风险可以提现下如下两个方面

  • 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

你可能感兴趣的:(python,爬虫,python,爬虫)