一、爬虫简介

简介

爬虫是会干扰网站的正常运营

爬虫不能抓取受到法律保护的特定类型的数据或信息

如何避免？

• 时常优化自己的程序，避免干扰网站正常允许
• 在抓取敏感数据时，审查抓取的内容，如果发现了涉及到用户隐私的内容要停止爬取或传播

爬虫再使用场景的分类：

1、通用爬虫

抓取系统重要的组成部分，抓取的是一整张页面数据

2、聚焦爬虫

是建立在通用爬虫的基础之上，抓取的页面中特定的局部内容

3、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

反反爬机制：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

robots.txt协议

网站中的该协议会约定哪些数据是可以爬取 哪些数据是不能爬取，规约

Http协议和 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：请求完毕后是断开链接还是保持连接

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，数据交互是加密的

加密方式：

• 对称密钥加密
• 非对称密钥加密
• 证书密钥加密