第一章：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
爬虫是否违法？
- 在法律中是不被禁止的
- 具有违法风险
- 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
- 爬虫抓取了受到的法律保护的特定类型的数据或信息
- 如何避免进入局子： 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，或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：
- 通用爬虫： 抓取系统重要组成部分。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之上。抓取的是页面中特定的局部内容 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，从而可以获取门户网站中相关的数据。
robots.txt协议：（反爬）
- 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（HyperText Transfer Protocol）超文本传输协议
- 概念：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（数据加密）
加密方式
- 对称秘钥加密
- 非对称秘钥加密
- 证书秘钥加密