網(wǎng)絡(luò)爬蟲到底是什么意思

這篇文章主要介紹“網(wǎng)絡(luò)爬蟲到底是什么意思”，在日常操作中，相信很多人在網(wǎng)絡(luò)爬蟲到底是什么意思問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”網(wǎng)絡(luò)爬蟲到底是什么意思”的疑惑有所幫助！接下來，請跟著小編一起來學(xué)習(xí)吧！

互聯(lián)網(wǎng)誕生之初，是為了讓人們更容易的分享數(shù)據(jù)、交流通訊。互聯(lián)網(wǎng)是橋梁，連接了世界各地的人們。網(wǎng)站的點擊、瀏覽都是人為的，與你聊天的也是活生生的人。然而，隨著技術(shù)的發(fā)展，人們對數(shù)據(jù)的渴望，出現(xiàn)了各種網(wǎng)絡(luò)機器人，這個時候，你不知道屏幕那端跟你聊天的是一個人還是一條狗，你也不知道你網(wǎng)站的瀏覽量是人點擊出來的，還是機器爬出來的。

表面上看，互聯(lián)網(wǎng)上是各種各樣的人；暗地里，已經(jīng)布滿了形形色色的網(wǎng)絡(luò)爬蟲。

一、搜索引擎時代的網(wǎng)絡(luò)爬蟲

關(guān)于網(wǎng)絡(luò)爬蟲的概念，我們先來瞅瞅維基百科（Wikipedia）上面的定義：

網(wǎng)絡(luò)爬蟲（英語：web crawler），也叫網(wǎng)上蜘蛛（spider），是一種用來自動瀏覽萬維網(wǎng)的網(wǎng)絡(luò)機器人。其目的一般為編纂網(wǎng)絡(luò)索引。

這里提到的編纂網(wǎng)絡(luò)索引，就是搜索引擎干的事情。我們對搜索引擎并不陌生，Google、百度等搜索引擎可能每天都在幫我們快速獲得信息?？赡苄≡硞円獑?，搜索引擎的工作過程是怎樣的呢？

首先，就是有網(wǎng)絡(luò)爬蟲不斷抓取各個網(wǎng)站的網(wǎng)頁，存放到搜索引擎的數(shù)據(jù)庫；
接著，索引程序讀取數(shù)據(jù)庫的網(wǎng)頁進行清理，建立倒排索引；
最后，搜索程序接收用戶的查詢關(guān)鍵詞，去索引里面找到相關(guān)內(nèi)容，并通過一定的排序算法（Pagerank等）把最相關(guān)最好的結(jié)果排在最前面呈現(xiàn)給用戶。

看上去簡簡單單的三個部分，卻構(gòu)成了強大復(fù)雜的搜索引擎系統(tǒng)。而網(wǎng)絡(luò)爬蟲是其中最基礎(chǔ)也很重要的一部分，它決定著搜索引擎數(shù)據(jù)的完整性和豐富性。我們也看到網(wǎng)絡(luò)爬蟲的主要作用是獲取數(shù)據(jù)。

由此簡單地說，網(wǎng)絡(luò)爬蟲就是獲取互聯(lián)網(wǎng)公開數(shù)據(jù)的自動化工具。

這里要強調(diào)一下，網(wǎng)絡(luò)爬蟲爬取的是互聯(lián)網(wǎng)上的公開數(shù)據(jù)，而不是通過特殊技術(shù)非法入侵到網(wǎng)站服務(wù)器獲取的非公開數(shù)據(jù)。

可能你要問，什么是“公開數(shù)據(jù)”呢？簡而言之，就是網(wǎng)站上公開讓用戶瀏覽、獲取的數(shù)據(jù)。

雖然數(shù)據(jù)是公開的，但是當(dāng)某人或機構(gòu)（如，搜索引擎）大量收集這些數(shù)據(jù)并因此獲利時，也會讓數(shù)據(jù)生產(chǎn)方——網(wǎng)站很不爽，由此而產(chǎn)生法律糾紛。比如，早些年Google因此而惹上官司。

網(wǎng)站們看著搜索引擎因為搜索引擎抓取自己的內(nèi)容而獲利不爽，但也因為搜索引擎帶來的流量而高興不已，于是就出現(xiàn)了網(wǎng)站主動進行搜索引擎優(yōu)化（SEO, Search Engine Optimization），也就是告訴搜索引擎，我這里的內(nèi)容好，快來抓取吧！

搜索引擎和網(wǎng)站的博弈，催生了一個君子協(xié)議： robots.txt。網(wǎng)站在自己的網(wǎng)站上放上這個文件，告訴爬蟲哪些內(nèi)容可以抓，哪些內(nèi)容不可以抓；搜索引擎讀取網(wǎng)站的robots.txt來知道自己的抓取范圍，同時也在訪問網(wǎng)站時通過User-Agent來向網(wǎng)站表明自己的身份（這種表明也是君子協(xié)議，技術(shù)上很容易假扮他人），比如，Google的爬蟲叫做Googlebot，百度的爬蟲叫做Baiduspider。這樣，二者和平共處，互惠互利。

二、大數(shù)據(jù)時代的網(wǎng)絡(luò)爬蟲

時代在發(fā)展，數(shù)據(jù)變得越來越重要，“大數(shù)據(jù)”已經(jīng)成為各行各業(yè)討論的話題，人們對數(shù)據(jù)的渴望也變成貪婪，數(shù)據(jù)也就成了“石油”，爬蟲也就成了“鉆井機”。

為了獲取石油，人們使用鉆井機；為了獲取數(shù)據(jù)，人們使用爬蟲。為了獲得數(shù)據(jù)，人們把互聯(lián)網(wǎng)鉆的是“千瘡百孔”。哈哈，這里有些夸張。但人們對數(shù)據(jù)的獲取，已經(jīng)打破的君子協(xié)定，和網(wǎng)站們玩起了貓捉老鼠的游戲，展開了道高一尺魔高一丈的較量。

為什么說是較量呢？因為大量爬蟲的行為會給網(wǎng)站帶來網(wǎng)絡(luò)帶寬、服務(wù)器計算力等方面很大的壓力，卻幾乎不帶來任何利益。為了降低這種毫無利益的壓力和避免自己的數(shù)據(jù)被他人集中收集，網(wǎng)站肯定要通過技術(shù)手段來限制爬蟲；另一方面，爬蟲為了獲取石油般的數(shù)據(jù)，就想方設(shè)法來突破這種限制。

對于這種較量的理解，還是看活生生的例子來得更透徹。

你有沒有花幾十塊錢讓某個軟件幫你搶火車票？
攻： 搶票爬蟲會不斷訪問12306來獲得火車票座位數(shù)據(jù)，并進而購買火車票；
防： 12306網(wǎng)站出了變態(tài)的認證碼，人都經(jīng)常識別錯誤。
各種秒殺讓你很受傷！
攻： 研究網(wǎng)站的秒殺機制，提前寫好爬蟲，秒殺時刻，人快不過機器；
防： 有些秒殺的宣傳作用很大就懶得防；有些秒殺機制復(fù)雜到你很難寫出對應(yīng)的爬蟲；有些秒殺成功被發(fā)現(xiàn)作弊也會被取消。
爬蟲變得越來越多，越來越肆無忌憚，網(wǎng)站也不得不使用各種技術(shù)手段來禁止或限制爬蟲。這些手段大致包括：

使用賬戶保護數(shù)據(jù)，數(shù)據(jù)僅對登錄用戶可見；
數(shù)據(jù)多次異步加載；
限制IP訪問頻率，甚至封鎖IP；
輸入驗證碼以獲得訪問權(quán)限；
數(shù)據(jù)在服務(wù)器端加密，瀏覽器端解密；
……
而這些手段也是爬蟲在技術(shù)實現(xiàn)中要解決和突破的問題。

三、網(wǎng)絡(luò)爬蟲的自我約束

看完上面“貓捉老鼠”的游戲的描述，小猿們不禁要問，網(wǎng)站和爬蟲這種對抗較量會不會引起法律問題？
這是一個很好的問題，也是值得每個爬蟲開發(fā)者思考的問題。

爬蟲作為一種技術(shù)本身可能無所謂善惡，但是使用它的人就有善惡之分。如何使用爬蟲，爬取的數(shù)據(jù)如何使用，都可能產(chǎn)生潛在的法律問題。作為技術(shù)開發(fā)的小猿們，都應(yīng)該思考這個問題。無論何種目的，網(wǎng)絡(luò)爬蟲都不能突破法律的底線，同時也有遵守一定的準則：

遵循robots.txt協(xié)議；
避免短時間高并發(fā)訪問目標網(wǎng)站，避免干擾目標網(wǎng)站的正常運行；
不要抓取個人信息，比如手機通訊錄等；
使用抓來的數(shù)據(jù)注意隱私保護，合法合規(guī)。

到此，關(guān)于“網(wǎng)絡(luò)爬蟲到底是什么意思”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識，請繼續(xù)關(guān)注億速云網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>