1.网络爬虫：自动从互联网中定向（有目标、过滤无关信息）或不定向（随机）地采集信息的一种程序。常用的类型有：通用网络爬虫（不定向）、聚焦网络爬虫（定向设置过滤规则）。
2.网络爬虫的应用：①搜索引擎②采集金融数据③采集商品数据④自动过滤广告⑤采集竞争对手的客户数据⑥采集行业相关数据，进行数据分析……
3.网络爬虫的运行原理
（1）通用网络爬虫：
①获取初始URL；②爬取页面并获取新的URL;③将爬取的内容放到服务器中，将新URL放入URL队列；④读取新URL，重复②③④；⑤直到满足停止条件结束。
（2）聚焦网络爬虫：
①对抓取目标进行相应的定义或描述；②获取初始URL；③爬取页面并获得新的URL；④将爬取的内容放到服务器中，过滤无关链接后，将新URL放入URL队列中；⑤确定下一步抓取目标，重复①②③④⑤；⑥直到满足停止条件结束。
限制网络爬虫
- 对服务器性能的骚扰问题
- 内容层面的法律风险问题
- 个人隐私泄露问题
因此，我们说网络爬虫的使用是要有它的规则。在实际的使用中，一些较大的网站都对网络爬虫有相关的限制。那么针对这些网站应该做出那些相应的策略：
1 使用代理亿牛云代理
适用情况：大部分网站均限制了IP的访问量
对于“频繁点击”的情况，我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。
#! -*- encoding:utf-8 -*- import requests import random # 要访问的目标页面 targetUrl = "http://httpbin.org/ip" # 要访问的目标HTTPS页面 # targetUrl = "https://httpbin.org/ip" # 代理服务器(产品官网 www.16yun.cn) proxyHost = "t.16yun.cn" proxyPort = "31111" # 代理隧道验证信息 proxyUser = "username" proxyPass = "password" proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % { "host" : proxyHost, "port" : proxyPort, "user" : proxyUser, "pass" : proxyPass, } # 设置 http和https访问都是用HTTP代理 proxies = { "http" : proxyMeta, "https" : proxyMeta, } # 设置IP切换头 tunnel = random.randint(1,10000) headers = {"Proxy-Tunnel": str(tunnel)} resp = requests.get(targetUrl, proxies=proxies, headers=headers) print resp.status_code print resp.text
2 伪装成浏览器，或者反“反盗链”
有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer。
User-Agent可以用亿牛云代理提供给的真实库，Referer的来源可以伪装成百度搜索来的。
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.1276.73 Safari/537.36', 'Referer':'https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=nike'} response = requests.get(url=url, headers=headers)
使用网络爬虫采集数据，需要高质量亿牛云爬虫代理才能更加高效稳定的采集出想要的数据。
原创文章，作者：Maggie-Hunter，如若转载，请注明出处：https://blog.ytso.com/53554.html