|
针对非常多学习计算机与编程的朋友来讲，（网络）爬虫技术
是一个又熟练又奥秘的名字。它给人的感觉，就像是一门无所不可的技术，经过它能够获取到网络上各样数据。爬虫是不是真的这么神呢，本文将会以最直白的方式带你认识爬虫的今世前生。
爬虫——互联网的原住民
爬虫的起源非常的早，能够说互联网诞生没多久，爬虫就显现了，绝对的互联网原住民（土著）。
初期的互联网，可不像此刻这么蓬勃与便利。例如咱们此刻习以为常的各样搜索引擎：百度、谷歌之类的，那时还是不存在的。互联网上只是一个一个的孤立的网站，这些网站中的数据都是分布开的，拜访起来很不方便。
有人就想，能不可写个自动运行程序，把这些网站上的数据都收集起来，方便大众来获取呢？
说干就干，于是最早的爬虫程序就诞生了，这些爬虫程序能够抓取互联网上的所有网页，而后将所有页面上的内容复制到数据库中，再对内容进行处理、归类、制作索引…以方便用户查阅。
1998年的Google网站
为啥咱们在百度上搜索一下关键词，立刻就会有非常多结果出来，指向区别的网站或页面？
由于在这些搜索引擎的背面，便是爬虫程序在日夜一直的在互联网上收集数据。
因此：爬虫——搜索引擎背面的"男人"
爬虫(Spider)名字的来历
爬虫便是一段执行的程序，能够自动的从网页上获取信息并保留。那为何这类程序被命名为爬虫呢。
这就要从爬虫的英文名说起了。在英文中，爬虫程序被命名为"spider"，没错便是蜘蛛的意思。
试想一下，一个小虫子，持续在网（络）上爬过来爬过去，看到猎物(数据)就兴高采烈地收集起来，“蜘蛛”是不是非常的形象？
因此，写爬虫程序的程序员不该该被叫做程序员，而是“蜘蛛侠”（spiderman）!
爬虫程序的实现原理
其实爬虫程序的实现原理并不繁杂，便是模拟咱们人类拜访网页的过程。
咱们平常拜访网页，便是在浏览器（browser）中输入目的网址，而后浏览器就会向目的网站发起一个HTTP请求（request），网站服务器（web server）收到这个拜访请求之后，就会把页面以HTTP响应（response）的方式，返回给浏览器。浏览器再将HTTP响应的数据渲染成咱们人类看到的页面。
爬虫程序便是将以上人类的操作，用程序进行了实现。
一般，爬取网页数据时，只需要2个过程：
打开网页→将详细的数据从网页中复制并导出到表格或资源库中。
简单来讲便是，抓取和复制。
程序的好处就在于，它的执行速度非常的快，人打开一个页面要花5-10秒的时间。在一样的时间里，一个爬虫程序，可能已然拜访完成百上千，乃至于更加多的页面了！
爬虫的另一面
然则正是由于爬虫程序执行的速度非常快，因此它会带来一个问题。
咱们晓得，网站的服务器处理用户请求的能力是有限的。倘若短期内，有海量的用户请求涌入，超出了服务器的处理能力，就会引起服务器故障，俗叫作：服务器”宕机”， 或更形象的说服务器“爆”了、“挂”了。
服务器宕机的平常画面
因此，一方面，作为爬虫程序的研发者（蜘蛛侠），要重视程序爬取网站信息的频率，避免对网站的正常业务产生明显的影响。
另一方面，网站亦加入了有些技术手段来限制拜访的频率，以及对拜访者的身份进行校验（看拜访的到底是人类还是爬虫程序！）。
令人发指的验证码
验证码便是被网站广泛运用的一种技术，用来辨别拜访者是人类还是爬虫程序。
而且随着程序自动识别验证码的能力的提高，网站的验证码亦起始越来越变态了，登峰造极的便是传说中的12306网站的购票验证码，别说是程序了，就连脸盲症病人的人类亦分不清啊！
关于爬虫的“君子协议”
有些网站，尤其是商场网站，对爬虫亦是又爱又恨。
一方面，期盼网页上的机构信息能在互联网上有更高的揭发度、更易被搜索引擎获取，但另一方面，又担心机构的有些机密的数据被泄漏。
因此为认识决这个问题，国际互联网制定了一个关于爬虫的“君子协议”，约定网站上的那些内容能够被爬取，那些内容不行。
Robots协议（爬虫协议）的全叫作是“网络爬虫排除标准”（RobotsExclusion Protocol），网站经过Robots协议告诉搜索引擎那些页面能够抓取，那些页面不可抓取。该协议是国际互联网界通行的道德规范，虽然无写入法律，然则每一个爬虫都应该遵守这项协议。
以淘宝网的robots.txt为例：
以Allow 项的值开头的 URL 是准许爬虫程序拜访的。例如，Allow：/article 准许百度爬虫引擎拜访 /article.htm等。
以Disallow 项为开头的链接是不准许百度爬虫引擎拜访的。例如，Disallow：/product/ 不准许百度爬虫引擎拜访 /product/ 等。
最后一行，Disallow：/ 禁止百度爬虫拜访除了 Allow 规定页面外的其他所有页面。
因此你是不可从百度上搜索到淘宝内部的制品信息的。
但有句话说得好，防君子不防小人，总会有些不守规矩的存在，于是就有了反爬虫技术。
爬虫与反爬虫
爬虫与反爬虫便是“矛”与“盾”的关系。反爬虫便是想办法阻止爬虫程序无节制的爬取网页上信息的技术。
有非常多有趣的技术能够阻止爬虫的爬取，其中不乏有些大开脑洞的方式，让人不仅啧啧叫作奇。其实上文说到的验证码技术，亦是一种反爬虫的手段，除此之外，还有文本混淆反爬虫、动态渲染反爬虫、信息校验反爬虫、代码混淆反爬虫……等等技术。
由于篇幅原由，这些技术在本文中就不一一为大众介绍了，请期待后续的文案吧！
| 
发表于 2024-8-25 09:47:29