爬虫day01

爬虫：通过编写程序，模拟浏览器上网，然后让其去互联网抓取数据的过程。

爬虫在使用场景中的介绍：

1.通用爬虫

抓取系统重要组成部分，即抓取互联网中一整张页面数据。

2.聚焦爬虫

是建立在通用爬虫的基础上，抓取的是页面中特定的局部的内容。

3.增量式爬虫

检测网站中数据更新的情况，只会抓取或者爬取网站中最新更新出的数据。

爬虫的矛与盾：

反趴机制：

相关的门户网站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的数据（信息）。

robots.txt协议：

规定了网站中哪些数据可以被爬取，哪些数据不可以被爬取。（君子协议）

eg：

查看淘宝的robots协议：

https://www.taobao.com/robots.txt

(防君子不防小人的协议)

http协议：

即超文本传输协议

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：

1.user-agent:请求载体和身份的标识。

2.connection：请求完成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http协议，即安全的超文本传输协议。

三种加密方式：

1.对称秘钥加密：

2.非对称秘钥加密：

“非对称加密”使用的时候有两把锁，一把叫做“私有秘钥”，一把是“公开秘钥”，使用非对象加密的加密方式的时候，服务器首先告诉客户端按照自己给定的公开密钥进行处理，客户端按照公开密钥加密以后，服务器接收到信息再通过自己的私有秘钥进行解密，这样做的好处就是解密的钥匙根本就不会进行传输，因此也就避免了被挟持的风险。就算公开秘钥被窃听者拿到了，它也很难进行解密，因为解密过程是相对离散对数求值，这可不是轻而易举就能做到的事。

缺点：

一.如何保证接收端向发送端发出公开秘钥的时候，发送端确保收到的是预先发送的，而不会被挟持。只要是发送秘钥，就有可能被挟持的风险。

二.非对称加密的方式效率比较低，它处理起来更为复杂，通信过程中使用就有一定的效率问题而影响通信速度。

3.证书秘钥加密

由于非对称加密的缺点，其中第一个就是公钥很可能存在被挟持的情况，无法保证客户端收到的公开秘钥就是服务器发行的公开密钥。此时就引出了公开密钥的证书机制。数字证书认证机构是客户端与服务器都可信赖的第三方机制。具体传播过程如下：

一、服务器的开发者携带公开密钥，向数字证书认证机构提出公开密钥的申请，数字证书认证机构在认清申请者的身份，审核通过后，会对开发者申请的公开秘钥做数字签名，然后分配这个已签名的公开秘钥，并将秘钥放在证书里面，绑定在一起。

二、服务器将这份数字证书发送给客户端，因为客户端也认可证书机构，客户端通过数字机构中的数字签名来验证公钥的真伪，来确保服务器传过来的公开秘钥是真实的。一般情况下，证书的数字签名是很难被伪造的，这取决于认证机构的公信力。一旦确认信息无误之后，客户端就会通过公钥对报文进行加密发送，服务器接收到以后用自己的私钥进行解密。