第一章,爬虫基础简介
爬虫概述
前戏
- 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…
- 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…
- 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
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:
- 聚焦爬虫
- 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:
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:
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
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)