Python 数据采集的介绍

1.爬虫是什么

概念：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。

2.爬虫的合法性

2.1 风险

• 爬虫干扰了被访问网站的正常运营
• 抓取了受到法律保护的特定类型的数据信息

2.2 使用

• 优化程序，避免干扰被访问网站的正常运行。
• 使用，或传播抓取到的数据时，审查抓取内容中是否存在商业机密或个人隐私等内容，应该及时停止采集。

3.介绍

3.1 分类

概述：按照使用场景进行分类

• 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。

3.2 反爬机制

• 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。

3.3 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。

查看网站的协议，直接在相关网站后添加/robots.txt

4.Http与Https

4.1 http与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

继续努力，终成大器！