Eric的个人博客

Appearance

介绍 ​

爬虫的分类 ​

按爬取规模分类 ​

  1. 聚焦爬虫
    • 针对特定网站或特定内容，有明确的数据采集目标
    • 百分之九十的爬虫都是聚焦爬虫
  2. 通用爬虫
    • 什么内容都采集，都存下来，不针对特定网站
    • 如搜索引擎的爬虫Googlebot、Baiduspider
  3. 增量爬虫
    • 只爬取更新的内容
    • 减少重复爬取和资源消耗
    • 既可以是聚焦爬虫，也可以是通用爬虫
  4. 深网爬虫
    • 爬取隐藏在深层链接中的内容
    • 需要处理表单提交、登录等复杂交互

按实现方式分类 ​

  1. 静态页面爬虫
    • 基于HTTP协议的爬虫
    • 通过发送HTTP请求获取网页内容
    • 使用Requests+BeautifulSoup/lxml组合
    • 实现简单，速度快
python
import requests
from bs4 import BeautifulSoup

url = 'http://example.com'
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')
# 提取数据...
  1. 动态页面爬虫
    • 基于浏览器的爬虫
    • 处理JavaScript渲染的内容
    • 模拟用户在浏览器中的操作，速度较慢
    • 使用Selenium、Pyppeteer等工具
python
from selenium import webdriver

driver = webdriver.Chrome()
driver.get('http://example.com')
# 等待页面加载完成
element = driver.find_element_by_id('content')
# 提取数据...
driver.quit()
  1. API接口爬虫
    • 直接调用网站提供的API接口获取数据
    • 效率高，数据结构规范
    • 需要分析API请求方式
    • 如使用Requests库调用RESTful API
python
import requests

url = 'http://api.example.com/data'
params = {'key': 'value'}
headers = {'Authorization': 'Bearer token'}
response = requests.get(url, params=params, headers=headers)
data = response.json()
# 提取数据...

常用Python爬虫库 ​

  • Requests: 发送HTTP请求，获取网页内容
  • BeautifulSoup: 解析HTML和XML文档
  • Scrapy: 一个强大的爬虫框架
  • Selenium: 浏览器自动化工具，可用于自动化测试、爬虫
  • PyQuery: 用于解析HTML文档，类似于jQuery
  • lxml: 一个高性能的HTML和XML解析库

爬虫的合法性 ​

基本前提 ​

  1. 遵守robots协议
    • 检查目标网站的robots.txt文件
    • 尊重网站规定的爬取限制
    • 禁止爬取的目录应避免访问
  2. 合理使用原则：
    • 不干扰网站正常运行（拒绝服务攻击）
    • 设置合理的请求间隔（通常≥2秒）
    • 避免对服务器造成过大负担
  3. 数据使用限制：
    • 仅用于个人学习或合法研究
    • 不用于商业牟利（除非获得授权）
    • 不侵犯用户隐私和个人信息

可能构成违法的行为 ​

  1. 绕过技术防护措施：
    • 破解验证码系统
    • 伪造或盗用身份认证信息
    • 使用代理IP池规避IP封锁
  2. 违反服务条款(TOS)：
    • 多数网站用户协议明确禁止自动化抓取
    • 典型案例：LinkedIn vs hiQ Labs案
  3. 侵犯特定类型数据：
    • 爬取受版权保护内容
    • 获取个人隐私数据（GDPR相关）
    • 采集商业秘密或国家安全信息
  4. 不正当竞争行为：
    • 恶意抓取竞争对手数据导致目标服务器瘫痪
    • 通过爬虫实施价格监控等商业行为

合规建议 ​

  1. 前期评估
    • 检查目标网站的服务条款
    • 咨询法律专业人士意见
    • 进行数据分类风险评估
  2. 技术合规措施
python
# 示例：合规爬虫代码结构
import requests
import time
from urllib.robotparser import RobotFileParser

# 1. 检查robots.txt
rp = RobotFileParser()
rp.set_url("https://example.com/robots.txt")
rp.read()

# 2. 遵守爬取间隔
if rp.can_fetch("*", target_url):
    response = requests.get(target_url, headers={
        'User-Agent': 'MyLegalBot/1.0 (+http://mywebsite.com/bot-info)'
    })
    time.sleep(3)  # 遵守延迟设置
    # 处理数据...
else:
    print("Disallowed by robots.txt")
  1. 数据使用规范
    • 建立数据使用日志
    • 实施数据脱敏处理
    • 设置数据保留期限

系统工作流程 ​

目标网站分析 ​

  1. 网站结构调研

    • 了解导航结构、URL规律
    • 检查robots.txt文件，了解爬取规则
    • 确定目标数据在HTML中的位置
    • 分析列表页翻页逻辑

  2. 技术特征检测

    • 页面类型判断
      python
      # 快速检测是否动态渲染
import requests
r = requests.get(url)
if len(r.text) < 500 and '<div id="root"></div>' in r.text:
print("疑似动态渲染页面，需用Selenium/Puppeteer")
    • 反爬措施识别
      • 检查是否有Cloudflare等WAF防护
      • 测试是否需要登录才能访问
      • 观察是否有验证码弹出
    • 数据接口探查
      • 浏览器开发者工具检查XHR请求
      • 寻找隐藏的API接口（Network面板过滤XHR/JS）
      • 分析接口参数加密方式

法律合规准备 ​

  1. 法律风险评估

    • 确认数据是否涉及个人隐私（GDPR/个人信息保护法）
    • 评估数据使用目的是否合规
    • 检查目标网站的服务条款和隐私政策

  2. 合规措施准备

    • 准备规范的User-Agent标识
      python
      headers = {
    'User-Agent': 'Mozilla/5.0 (兼容研究项目; +http://你的网站/bot-info)'
}
    • 设计合理的爬取间隔（建议≥3秒）
    • 规划数据存储安全方案

技术环境准备 ​

  1. 基础库安装
bash
pip install requests beautifulsoup4 lxml scrapy selenium pyquery

  1. 浏览器驱动

    • 对于动态页面爬虫，需安装浏览器驱动
    • Chrome用户需下载ChromeDriver
    • Firefox用户需下载GeckoDriver

  2. 代理IP池配置(可选)

    python
    import requests
from itertools import cycle

# 代理IP列表
proxies = [
    'http://user:pass@proxy1.com:port',
    'http://user:pass@proxy2.com:port',
    'http://user:pass@proxy3.com:port',
]
proxy_pool = cycle(proxies)

# 使用代理池发送请求
for i in range(1, 6):
    proxy = next(proxy_pool)
    try:
        response = requests.get('http://example.com', proxies={'http': proxy, 'https': proxy})
        print(f"Request {i}成功，使用代理：{proxy}")
    except requests.exceptions.ProxyError:
        print(f"Request {i}失败，代理：{proxy}不可用")

  3. 存储方案设计

    • 小规模数据: CSV/JSON文件
    python
    import pandas as pd

df = pd.DataFrame(data)
df.to_csv('data.csv', index=False)
    • 中大规模数据: MySQL、MongoDB
    • 分布式存储: Redis + Scrapy

效率优化 ​

  1. 增量爬取策略

    • URL去重设计
    • 数据更新识别机制

  2. 性能优化

    • 采用连接池复用连接，减少连接建立时间
    • 使用异步请求库（如aiohttp）提高并发性能
    python
    import aiohttp
import asyncio

async def fetch_data(session, url):
    async with session.get(url) as response:
        return await response.json()

async def main(urls):
    async with aiohttp.ClientSession() as session:
        tasks = [fetch_data(session, url) for url in urls]
        return await asyncio.gather(*tasks)

urls = ['http://example.com/api/data1', 'http://example.com/api/data2']
data = asyncio.run(main(urls))

<本篇完>

Released under the MIT License.

Copyright © 2024 Eric Miller