爬虫学习笔记（一）初识爬虫

迈不过友情╰ 2022-05-20 00:26 268阅读 0赞

### 什么是爬虫？ ###

**爬虫是什么呢，就是地上爬的小虫子，就是爬虫咯。呵呵，开个玩笑，一般说的爬虫都是网络爬虫。那什么是网络爬虫呢，百度百科的解释是这样子的：**

> 网络爬虫（又被称为网页[蜘蛛][Link 1]，网络机器人，在[FOAF][]社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取[万维网][Link 2]信息的程序或者脚本。另外一些不常使用的名字还有[蚂蚁][Link 3]、自动索引、模拟程序或者[蠕虫][Link 4]。

**额，这一大坨，总结来说就一句话，就是从某个网站上获取某些你想要数据，然后保存起来。**

### 爬虫能干嘛？ ###

**爬虫可以帮你爬到你想要的东西，比如说你想下载某个网站上面的图片、小视频、文章、文件，或者说你们公司想获取到对手公司网站上的一些数据用来分析市场，或者想要获取某一类网站用户的行为，用来分析用户的以后的走向，都可以用爬虫来获取到数据。再比如说你要做个什么内容类的app，类似今日头条的，那它里面的这些内容从哪里来的，它就是用爬虫，爬各种网站上热点新闻、八卦信息等等，再经过自己的加工放给用户去看。**

### 爬虫的原理和实质 ###

**咱们要从一个网站下载一个图片的话怎么办，要浏览器里面打开这个网站， 然后右键保存图片到本地。**

**那爬虫呢，就是写代码把上面的这个过程自动化，自动帮咱们做这个操作，不需要咱们再手动点了。这就是爬虫的原理。**

**爬虫的实质呢，就是写代码发http请求（浏览器里面打开发送的都是http请求），然后获取到response，咱们再从response里面找到想要的数据，存储到本地。**

### 什么是爬虫协议？ ###

爬虫协议就是你想用爬虫爬我的网站，那么你得听我的，哪些你能爬，哪些你不能爬。

怎么查看一个网站的爬虫协议呢，就在这个网站的域名后面加上**robots.txt**

比如说下面有：jd、百度、淘宝的爬虫协议

jd：https://www.jd.com/robots.txt

淘宝的：https://www.taobao.com/robots.txt

百度的：https://www.baidu.com/robots.txt

如果你要爬的网站域名加上**robots.txt是404，那你就可以随心所欲的爬了。**

不过就算爬虫协议里面写了，你也可以不遵守，但是也得注意一下，有的公司发现的话，会起诉的。比如说前几年著名的百度控诉360爬虫违反爬虫协议，赔偿70w。

爬虫协议里面有这么几个字段：

**        User-agent：\***

这个字段的意思是允许哪个引擎的爬虫获取数据

\* 代表所有类型的爬虫都可以

**       Disallow:/admin/**

这个字段代表爬虫不允许爬哪个路径下面的数据，如果是/的话，就代表所有的路径下面的数据都不能爬。

### 什么是反爬虫？ ###

因为会有一些恶意的人，恶意的去用爬虫爬咱们的系统，获取一些数据用来做一些不好的事情，这样就会咱们的网站造成危害。

反爬虫就是干这个事的，网站后台有程序专门检测发这个请求是爬虫发的，还是用户的正常请求（发请求就是打开一个页面），如果是爬虫发的话，那么就不给它返回数据，这就是反爬虫。

当然有反爬虫那就有针对反爬虫的策略，就是看谁技术高低的问题了~

[Link 1]: https://baike.baidu.com/item/%E8%9C%98%E8%9B%9B/8135707
[FOAF]: https://baike.baidu.com/item/FOAF
[Link 2]: https://baike.baidu.com/item/%E4%B8%87%E7%BB%B4%E7%BD%91
[Link 3]: https://baike.baidu.com/item/%E8%9A%82%E8%9A%81/9770178
[Link 4]: https://baike.baidu.com/item/%E8%A0%95%E8%99%AB