系列文章目錄

01 初始爬蟲

---

---

前言

• Datawhale是一個專注于AI與數(shù)據(jù)科學的開源組織，匯集了眾多領(lǐng)域院校和知名企業(yè)的優(yōu)秀學習者，聚合了一群有開源精神和探索精神的團隊成員
• 零基礎(chǔ)網(wǎng)絡爬蟲技術(shù)

---

1 爬蟲和Python

爬蟲就是通過編寫程序來爬取互聯(lián)網(wǎng)上的圖片、音頻、視頻、數(shù)據(jù)等。

• Python 是一門上手快、語法簡單的編程語言。

---

2 爬蟲的矛盾

2.1 爬蟲與反爬

• 首先，爬蟲在法律上不是被禁止的。

• 爬蟲分為：

  • 善意爬蟲，不破壞被爬取的網(wǎng)站的資源，正常訪問，一般頻率不高，不竊取用戶隱私；
  • 惡意爬蟲，影響?站的正常運營如搶票，秒殺，瘋狂請求?站資源造成?站宕機；

• 因此網(wǎng)站有了反爬機制，制定相應的策略或者技術(shù)手段，防止爬蟲程序進行網(wǎng)站數(shù)據(jù)的爬取。

• 爬蟲程序就有了反反爬策略，制定相關(guān)的策略或者技術(shù)手段，破解網(wǎng)站中具備的反爬機制。

• 最后，雙方制定君子協(xié)議: robots 協(xié)議。

• 根據(jù)協(xié)議，網(wǎng)站管理員可以在網(wǎng)站域名的根目錄下放一個 robots.txt 的文本文件，里面可以指定不同的網(wǎng)絡爬蟲能訪問的頁面和禁止訪問的頁面。網(wǎng)絡爬蟲在采集這個網(wǎng)站之前，首先獲取到這個文件，然后解析到其中的規(guī)則，最后根據(jù)規(guī)則來采集網(wǎng)站的數(shù)據(jù)。

2.2 robots

• robots.txt 文件由一組規(guī)則組成，每組規(guī)則以 User-agent 開頭，后接允許或禁止的路徑規(guī)則。

核心字段

• User-agent ：指定規(guī)則適用的爬蟲名稱（如 * 表示所有爬蟲）。
• Disallow ：指定禁止爬蟲訪問的路徑（路徑需為絕對路徑）。
• Allow ：指定允許爬蟲訪問的路徑（某些搜索引擎支持，但非標準協(xié)議的一部分）。
• Sitemap ：告知爬蟲網(wǎng)站的XML站點地圖位置（幫助索引內(nèi)容）。

重要規(guī)則說明

• 路徑匹配 ：
  • 使用前綴匹配（如 Disallow: /admin 會禁止 /admin/、/admin.php 等）。
  • 支持通配符（如 * 匹配任意字符，$ 匹配路徑結(jié)尾，但需搜索引擎支持）。
• 大小寫敏感 ：路徑區(qū)分大小寫（如 /Images/ 和 /images/ 是不同的）。
• 優(yōu)先級 ：Allow 規(guī)則通常優(yōu)先于 Disallow（若同時存在沖突規(guī)則）。
• 最長匹配原則 ：當多條規(guī)則沖突時，選擇最長匹配的路徑規(guī)則。

非標準擴展指令

部分搜索引擎支持額外指令（非協(xié)議官方標準）：

• Crawl-Delay ：設(shè)置爬蟲抓取間隔（如 Crawl-Delay: 10 表示每10秒請求一次）。
• Host ：指定首選域名（如 Host: www.example.com）。
• Clean-param ：聲明某些參數(shù)不影響頁面內(nèi)容（如 Clean-param: sessionid /index.php）。

協(xié)議生效條件

• 文件必須位于網(wǎng)站根目錄（如 https://www.example.com/robots.txt）。
• 文件編碼需為 UTF-8 ，且無BOM頭。
• 遵循協(xié)議的爬蟲會遵守規(guī)則，但惡意爬蟲可能無視協(xié)議。

局限性

• 不保證隱私 ：robots.txt 無法阻止直接訪問，敏感內(nèi)容需通過身份驗證或其他方式保護。
• 動態(tài)URL處理 ：無法完全阻止參數(shù)生成的動態(tài)頁面被爬取。
• 緩存延遲 ：爬蟲可能不會實時更新規(guī)則，需等待重新抓取。

驗證工具

• Google Search Console、Bing Webmaster Tools 提供 robots.txt 測試功能。
• 在線工具（如 Robots.txt Checker ）可驗證規(guī)則是否正確。

2.3 一個爬蟲demo

• 獲取百度首頁

---

3 Web請求與HTTP協(xié)議

3.1 一個web請求的全過程

![[Pasted image 20250618162214.png]]

3.2 判斷頁面源代碼位置

• 上面是服務器渲染，即服務器直接把數(shù)據(jù)全部寫入到html中。
• 下面是客戶端渲染，?般是第?次請求服務器返回?堆HTML框架結(jié)構(gòu)。然后再次請求到真正保存數(shù)據(jù)的服務器，由這個服務器返回數(shù)據(jù)，最后在瀏覽器上對數(shù)據(jù)進?加載。

![[Pasted image 20250618162420.png]]

3.3 HTTP 協(xié)議

協(xié)議：就是兩個計算機之間為了能夠流暢的進?溝通?設(shè)置的?個君?協(xié)定。

• 常?的協(xié)議有TCP/IP，SOAP協(xié)議，HTTP協(xié)議，SMTP協(xié)議等等。

HTTP協(xié)議：Hyper Text Transfer Protocol（超?本傳輸協(xié)議）的縮寫，是?于從萬維?（WWW：World Wide Web ）服務器傳輸超?本到本地瀏覽器的傳送協(xié)議。

HTTP 請求

• 有三塊內(nèi)容：

1. 請求? -> 請求?式(get/post) 請求url地址 協(xié)議
2. 請求頭 -> 放?些服務器要使?的附加信息
3. 請求體 -> ?般放?些請求參數(shù)

請求?式：

• GET: 顯示提交

• POST: 隱示提交

• 請求頭中最常?的?些重要內(nèi)容（爬?需要）：

  • User-Agent：請求載體的身份標識（?啥發(fā)送的請求）
  • Referer：防盜鏈（這次請求是從哪個??來的？反爬會?到）
  • cookie：本地字符串數(shù)據(jù)信息（?戶登錄信息，反爬的token）

HTTP 響應

• 也有三塊內(nèi)容：

1. 狀態(tài)? -> 協(xié)議 狀態(tài)碼
2. 響應頭 -> 放?些客戶端要使?的?些附加信息
3. 響應體 -> 服務器返回的真正客戶端要?的

• 響應頭中?些重要的內(nèi)容：
  • Content-Type：返回內(nèi)容的內(nèi)容類型，比如Content-Type: text/html; charset=utf-8
  • 各種神奇的莫名其妙的字符串（這個需要經(jīng)驗了，?般都是token字樣，防?各種攻擊和反爬）

3.4 requests 模塊入門

• 常?的抓取??的模塊通常使??個?urllib還要簡單的第三?模塊requests。

---

總結(jié)

• Python爬蟲的入門介紹。