【0基础学爬虫】爬虫基础之爬虫的基本介绍

大数据时代，各行各业对数据采集的需求日益增多，网络爬虫的运用也更为广泛，越来越多的人开始学习网络爬虫这项技术，K哥爬虫此前已经推出不少爬虫进阶、逆向相关文章，为实现从易到难全方位覆盖，特设【0基础学爬虫】专栏，帮助小白快速入门爬虫，本期为爬虫的基本介绍。

一、爬虫概述

爬虫又称网络蜘蛛、网络机器人，网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型：

• 通用网络爬虫（Scalable Web Crawler）：抓取互联网上所有数据，爬取对象从一些种子 URL 扩充到整个 Web，主要为门户站点搜索引擎和大型 Web 服务提供商采集数据，是捜索引擎抓取系统（Baidu、Google、Yahoo 等）的重要组成部分。
• 聚焦网络爬虫（Focused Crawler）：抓取互联网上特定数据，按照预先定义好的主题有选择地进行网页爬取的一种爬虫，将爬取的目标网页定位在与主题相关的页面中，选择性地爬取特定领域信息。
• 增量式网络爬虫（Incremental Web Crawler）：抓取互联网上刚更新的数据，采取增量式更新和只爬取新产生的或者已经发生变化网页，它能够在一定程度上保证所爬取的页面是尽可能新的页面，减少时间和空间上的耗费。
• 深层网络爬虫（Deep Web Crawler）：表层网页（Surface Web）是指传统搜索引擎可以索引的页面，以超链接可以到达的静态网页为主构成的 Web 页面；深层网页（Deep Web）是指不能通过静态链接获取的、隐藏在搜索表单后的，只有用户提交一些关键词才能获得的 Web 页面。在互联网中，深层页面的数量往往比表层页面的数量要多很多。

爬虫程序能模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频、音频） 等爬取到本地，进而提取自己需要的数据，并存放起来使用，每一个程序都有自己的规则，网络爬虫也不例外，它会根据人们施加的规则去采集信息，这些规则为网络爬虫算法，根据使用者的目的，爬虫可以实现不同的功能，但所有爬虫的本质，都是方便人们在海量的互联网信息中找到并下载到自己要的那一类，提升信息获取效率。

爬虫采集的都是正常用户能浏览到的内容，而非所谓的 ”入侵服务器“，常说高水准者可 ”所见即所得“，意为只要是能看的内容就能爬取到，希望各位都能达到这个程度~

二、爬虫的用途

现如今大数据时代已经到来，网络爬虫技术成为这个时代不可或缺的一部分，企业需要数据来分析用户行为、自己产品的不足之处以及竞争对手的信息等，而这一切的首要条件就是数据的采集。网络爬虫的价值其实就是数据的价值，在互联网社会中，数据是无价之宝，一切皆为数据，谁拥有了大量有用的数据，谁就拥有了决策的主动权。

网络爬虫目前主要的应用领域如：搜索引擎、数据采集、数据分析、信息聚合、竞品监控、认知智能、舆情分析等等，爬虫业务相关的公司数不胜数，如百度、谷歌、天眼查、企查查、新榜、飞瓜等等，在大数据时代，爬虫的应用范围广、需求大，简单举几个贴近生活的例子：

• 求职需求：获取各个城市的招聘信息及薪资标准，方便筛选出适合自己的；

• 租房需求：获取各个城市的租房信息，以便挑选出心仪的房源；

• 美食需求：获取各个地方的好评美食，让吃货不迷路；

• 购物需求：获取各个商家同一个商品的价格及折扣信息，让购物更实惠；

• 购车需求：获取心仪车辆近年的价格波动，以及不同渠道各车型的价格，助力挑选爱车。

三、URI 及 URL 的含义

URI（Uniform Resource Identifier），即统一资源标志符，URI（Uniform Resource Location），即统一资源定位符，例如 https://www.kuaidaili.com/ ，既是一个 URI，也是一个 URL，URL 是 URI 的子集，对于一般的网页链接，习惯称为 URL，一个 URL 的基本组成格式如下：

scheme://[username:password@]host[:port][/path][;parameters][?query][#fragment]

各部分含义如下：

1. scheme：获取资源使用的协议，例如 http、https、ftp 等，没有默认值，scheme 也被称为 protocol；

2. username:password：用户名与密码，某些情况下 URL 需要提供用户名和密码才能访问，这是个特殊的存在，一般访问 ftp 时会用到，显式的表明了访问资源的用户名与密码，但是可以不写，不写的话可能会让输入用户名密码；

3. host：主机地址，可以是域名或 IP 地址，例如 www.kuaidaili.com、112.66.251.209；

4. port：端口，服务器设定的服务端口，http 协议的默认端口为 80，https 协议的默认端口为 443，例如 https://www.kuaidaili.com/ 相当于 https://www.kuaidaili.com:443；

5. path：路径，指的是网络资源在服务器中的指定地址，通过 host:port 我们能找到主机，但是主机上文件很多，通过 path 则可以定位具体文件。例如 https://www.baidu.com/file/index.html，path 为 /file/index.html，表示我们访问 /file/index.html 这个文件；

6. parameters：参数，用来指定访问某个资源时的附加信息，主要作用就是像服务器提供额外的参数，用来表示本次请求的一些特性，例如 https://www.kuaidaili.com/dps;kspider，kspider 即参数，现在用的很少，大多数将 query 部分作为参数；

7. query：查询，由于查询某类资源，若多个查询，则用 & 隔开，通过 GET 方式请求的参数，例如：https://www.kuaidaili.com/dps/?username=kspider&type=spider，query 部分为 username=kspider&type=spider，指定了 username 为 kspider，type 为 spider；

8. fragment：片段，对资源描述的部分补充，用来标识次级资源，例如 https://www.kuaidaili.com/dps#kspider，kspider 即为 fragment 的值：

   • 应用：单页面路由、HTML 锚点；

   • # 有别于 ?，? 后面的查询字符串会被网络请求带上服务器，而 fragment 不会被发送的服务器；

   • fragment 的改变不会触发浏览器刷新页面，但是会生成浏览历史；

   • fragment 会被浏览器根据文件媒体类型（MIME type）进行对应的处理；

   • 默认情况下 Google 的搜索引擎会忽略 # 及其后面的字符串，如果想被浏览引擎读取，需要在 # 后紧跟一个 ! ，Google 会自动将其后面的内容转成查询字符串 _escaped_fragment_ 的值，如 https://www.kuaidaili.com/dps#!kspider，转换后为 https://www.kuaidaili.com/dps?escaped_fragment=kspider。

由于爬虫的目标是获取资源，而资源都存储在某个主机上，所以爬虫爬取数据时必须要有一个目标的 URL 才可以获取数据，因此，URL 是爬虫获取数据的基本依据，准确理解 URL 的含义对爬虫学习有很大帮助。

四、爬虫的基本流程

1. 发起请求：通过 URL 向服务器发起 Request 请求（同打开浏览器，输入网址浏览网页），请求可以包含额外的 headers、cookies、proxies、data 等信息，Python 提供了许多库，帮助我们实现这个流程，完成 HTTP 请求操作，如 urllib、requests 等；
2. 获取响应内容：如果服务器正常响应，会接收到 Response，Response 即为我们所请求的网页内容，包含 HTML（网页源代码），JSON 数据或者二进制的数据（视频、音频、图片）等；
3. 解析内容：接收到响应内容后，需要对其进行解析，提取数据内容，如果是 HTML（网页源代码），则可以使用网页解析器进行解析，如正则表达式（re）、Beautiful Soup、pyquery、lxml 等；如果是 JSON 数据，则可以转换成 JSON 对象进行解析；如果是二进制的数据，则可以保存到文件进行进一步处理；
4. 保存数据：可以保存到本地文件（txt、json、csv 等），或者保存到数据库（MySQL，Redis，MongoDB 等），也可以保存至远程服务器，如借助 SFTP 进行操作等。

五、爬虫的基本架构

爬虫的基本架构主要由五个部分组成，分别是爬虫调度器、URL 管理器、网页下载器、网页解析器、信息采集器：

1. 爬虫调度器：相当于一台电脑的 CPU，主要负责调度 URL 管理器、下载器、解析器之间的协调工作，用于各个模块之间的通信，可以理解为爬虫的入口与核心，爬虫的执行策略在此模块进行定义；
2. URL 管理器：包括待爬取的 URL 地址和已爬取的 URL 地址，防止重复抓取 URL 和循环抓取 URL，实现 URL 管理器主要用三种方式，通过内存、数据库、缓存数据库来实现；
3. 网页下载器：负责通过 URL 将网页进行下载，主要是进行相应的伪装处理模拟浏览器访问、下载网页，常用库为 urllib、requests 等；
4. 网页解析器：负责对网页信息进行解析，可以按照要求提取出有用的信息，也可以根据 DOM 树的解析方式来解析。如正则表达式（re）、Beautiful Soup、pyquery、lxml 等，根据实际情况灵活使用；
5. 数据存储器：负责将解析后的信息进行存储、显示等数据处理。

六、robots 协议

robots 协议也称爬虫协议、爬虫规则等，是指网站可建立一个 robots.txt 文件来告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，而搜索引擎则通过读取 robots.txt 文件来识别这个页面是否允许被抓取。但是，这个robots协议不是防火墙，也没有强制执行力，搜索引擎完全可以忽视 robots.txt 文件去抓取网页的快照。 如果想单独定义搜索引擎的漫游器访问子目录时的行为，那么可以将自定的设置合并到根目录下的 robots.txt，或者使用 robots 元数据（Metadata，又称元数据）。

robots 协议并不是一个规范，而只是约定俗成的，所以并不能保证网站的隐私，俗称 “君子协议”。

robots.txt 文件内容含义：

• User-agent：*, 这里的 * 代表的所有的搜索引擎种类，* 是一个通配符
• Disallow： /admin/, 这里定义是禁止爬取 admin 目录下面的目录
• Disallow： /require/, 这里定义是禁止爬取 require 目录下面的目录
• Disallow：/ABC/, 这里定义是禁止爬取 ABC 目录下面的目录
• Disallow：/cgi-bin/*.htm, 禁止访问 /cgi-bin/ 目录下的所有以 ".htm" 为后缀的 URL(包含子目录)
• Disallow:/*?*, 禁止访问网站中所有包含问号 (?) 的网址
• Disallow:/.jpg$, 禁止抓取网页所有的 .jpg 格式的图片
• Disallow:/ab/adc.html, 禁止爬取 ab 文件夹下面的 adc.html 文件
• Allow:/cgi-bin/, 这里定义是允许爬取 cgi-bin 目录下面的目录
• Allow:/tmp, 这里定义是允许爬取 tmp 的整个目录
• Allow: .htm$, 仅允许访问以 ".htm" 为后缀的 URL
• Allow: .gif$, 允许抓取网页和 gif 格式图片
• Sitemap：网站地图, 告诉爬虫这个页面是网站地图

查看网站 robots 协议，网站 url 加上后缀 robotst.txt 即可，以快代理为例：

https://www.kuaidaili.com/

• 禁止所有搜索引擎访问网站的任何部分
• 禁止爬取 /doc/using/ 目录下面的目录
• 禁止爬取 /doc/dev 目录下面所有以 sdk 开头的目录及文件

七、爬虫与法律

近年来，与网络爬虫相关的法律案件和新闻报道层出不穷，推荐观看：K哥爬虫普法专栏，不论是不是爬虫行业的可能都听说过一句 “爬虫学的好，牢饭吃到饱”，甚至不少人觉得爬虫本身就是有问题的，处于灰色地带，抗拒以致不敢学爬虫，但实际并不是这样，爬虫作为一种计算机技术，其技术本身是具有中立性的，法律也并没禁止爬虫技术，当今互联网很多技术是依赖于爬虫技术而发展的，公开数据、不做商业目的、不涉及个人隐私、不要把对方服务器爬崩、不碰黑产及黄赌毒就不会违法，技术无罪，有罪的是人，切记不要触碰法律的红线！