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

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。

相关知识

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

爬虫模块

urllib模块和requests模块

主要使用requests模块

  • requests模块

    python中原生的一款基于网络请求的模块。

    • 如何使用:
      • 指定url
      • 发起请求
      • 获取响应数据
      • 持久化存储

实战需求:

  • 爬取搜狗首页的数据
1
2
3
4
5
6
7
8
9
10
11
import requests
url='https://www.sogou.com/'# 获取地址

response=requests.get(url=url)# 获取响应对象

page_text=response.text# 获取响应对象的字符串数据

print(page_text)
# 持久化存储
with open('./sogou.html','w+',encoding='utf-8') as fp:
    fp.write(page_text)