Python 数据采集的介绍


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

image-20220630145250090

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!

原创文章,作者:6024010,如若转载,请注明出处:https://blog.ytso.com/272454.html

(0)
上一篇 2022年7月9日
下一篇 2022年7月9日

相关推荐

发表回复

登录后才能评论