定义：
网络爬虫（Web Spider），又被称为网页蜘蛛，是一种按照一定的规则，自动地抓取网站信息的程序或者脚本。爬虫其实是通过编写程序，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：
抓取互联网上的数据，为我所用，有了大量的数据，就如同有了一个数据银行一样，下一步就是如何将这些数据产品化、商业化。
爬虫是否合法
网络爬虫在法律中是不被禁止，但是具有违法风险，通常来说爬虫分为善意的爬虫和恶意的爬虫。爬虫带来的风险可以体现在如下两个方面：
- 爬虫干扰了被访问网站的正常运营
- 爬虫抓取了受法律保护的特定类的数据或信息
那么我们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，如果发现涉及到用户隐私或者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，只会爬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。
下面，我们来了解一下网络爬虫中一个重要的协议：robots.txt协议。robots.txt协议是一个君子协议，协议中规定了网站中哪些数据可以被爬取哪些数据不能被爬取。
http协议和https协议
http协议：就是服务器和客户端进行数据交互的一种形式。http协议中常用的请求头信息：
- 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http协议中常用的响应头信息：
- Content-Type：服务器响应回客户端的数据类型https协议其实就是一种安全的http协议
文章评论