笔记|【老男孩】第一章爬虫的基础简介

 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

- 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2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

爬虫在使用场景的分类

通用爬虫

抓取系统的重要的组成的部分,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上,抓取的是页面当中的特定的局部的内容

增量式爬虫:

检测网站当中的数据的更新情况,只会抓取网站当中的最新的更新出来的数据

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。


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:

    - 安全的超文本传输协议

加密方式

    - 对称秘钥加密

    - 非对称秘钥加密

    - 证书秘钥加密


常用的响应头的信息

Content-Type:服务器响应会客户端的数据类型

常用的请求头的信息

User-Agent:请求载体的身份标识

你可能感兴趣的:(笔记|【老男孩】第一章爬虫的基础简介)