java網(wǎng)絡(luò)爬蟲的基礎(chǔ)知識(shí)有哪些

這篇文章主要介紹“java網(wǎng)絡(luò)爬蟲的基礎(chǔ)知識(shí)有哪些”，在日常操作中，相信很多人在java網(wǎng)絡(luò)爬蟲的基礎(chǔ)知識(shí)有哪些問題上存在疑惑，小編查閱了各式資料，整理出簡(jiǎn)單好用的操作方法，希望對(duì)大家解答”java網(wǎng)絡(luò)爬蟲的基礎(chǔ)知識(shí)有哪些”的疑惑有所幫助！接下來，請(qǐng)跟著小編一起來學(xué)習(xí)吧！

1、有 “道德” 的爬蟲

我為什么會(huì)把這一點(diǎn)放在最前面呢?因?yàn)槲矣X得這一點(diǎn)比較重要，什么叫有 “道德”  的爬蟲呢?就是遵循被爬服務(wù)器的規(guī)則，不去影響被爬服務(wù)器的正常運(yùn)行，不把被爬服務(wù)搞垮，這就是有 “道德” 的爬蟲。

經(jīng)常有人討論的一個(gè)問題就是爬蟲合法嗎?知乎一下你看到的將是這樣的

答案千千萬，在這眾多答案中，我個(gè)人比較贊同下面的這個(gè)回答

爬蟲作為一種計(jì)算機(jī)技術(shù)就決定了它的中立性，因此爬蟲本身在法律上并不被禁止，但是利用爬蟲技術(shù)獲取數(shù)據(jù)這一行為是具有違法甚至是犯罪的風(fēng)險(xiǎn)的。所謂具體問題具體分析，正如水果刀本身在法律上并不被禁止使用，但是用來捅人，就不被法律所容忍了。

爬蟲違不違法?取決于你做的事情違不違法，網(wǎng)絡(luò)爬蟲的本質(zhì)是什么?網(wǎng)絡(luò)爬蟲的本質(zhì)是用機(jī)器代替人工去訪問頁(yè)面。我查看公開的新聞肯定不犯法，所以我去采集公開在互聯(lián)網(wǎng)上的新聞也不犯法，就像各大搜索引擎網(wǎng)站一樣，別的網(wǎng)站巴不得別搜索引擎的蜘蛛抓取到。另一種恰恰相反的情況是去采集別人隱私的數(shù)據(jù)，你自己去查看別人的隱私信息這就是一種違法的行為，所以用程序去采集也是違法的，這就像答案中所說的水果刀本身不違法，但是用來捅人就違法啦。

要做到有 “道德” 的爬蟲，Robots 協(xié)議是你必須需要了解的，下面是 Robots 協(xié)議的百度百科

在很多網(wǎng)站中會(huì)申明 Robots 協(xié)議告訴你哪些頁(yè)面是可以抓取的，哪些頁(yè)面是不能抓取的，當(dāng)然 Robots  協(xié)議只是一種約定，就像公交車上的座位一樣標(biāo)明著老弱病殘專座，你去坐了也不違法。

除了協(xié)議之外，我們?cè)诓杉袨樯弦残枰酥疲?『數(shù)據(jù)安全管理辦法(征求意見稿)』的第二章第十六條指出：

網(wǎng)絡(luò)運(yùn)營(yíng)者采取自動(dòng)化手段訪問收集網(wǎng)站數(shù)據(jù)，不得妨礙網(wǎng)站正常運(yùn)行;此類行為嚴(yán)重影響網(wǎng)站運(yùn)行，如自動(dòng)化訪問收集流量超過網(wǎng)站日均流量三分之一，網(wǎng)站要求停止自動(dòng)化訪問收集時(shí)，應(yīng)當(dāng)停止。

這條規(guī)定指出了爬蟲程序不得妨礙網(wǎng)站正常運(yùn)行，如果你使用爬蟲程序把網(wǎng)站搞垮了，真正的訪問者就不能訪問該網(wǎng)站了，這是一種非常不道德的行為。應(yīng)該杜絕這種行為。

除了數(shù)據(jù)的采集，在數(shù)據(jù)的使用上同樣需要注意，我們即使在得到授權(quán)的情況下采集了個(gè)人信息數(shù)據(jù)，也千萬不要去出賣個(gè)人數(shù)據(jù)，這個(gè)是法律特別指出禁止的，參見：

根據(jù)《最高人民法院 最高人民檢察院關(guān)于辦理侵犯公民個(gè)人信息刑事案件適用法律若干問題的解釋》第五條規(guī)定，對(duì)“情節(jié)嚴(yán)重”的解釋：

(1)非法獲取、出售或者提供行蹤軌跡信息、通信內(nèi)容、征信信息、財(cái)產(chǎn)信息五十條以上的;

(2)非法獲取、出售或者提供住宿信息、通信記錄、健康生理信息、交易信息等其他可能影響人身、財(cái)產(chǎn)安全的公民個(gè)人信息五百條以上的;

(3)非法獲取、出售或者提供第三項(xiàng)、第四項(xiàng)規(guī)定以外的公民個(gè)人信息五千條以上的便構(gòu)成“侵犯公民個(gè)人信息罪”所要求的“情節(jié)嚴(yán)重”。

此外，未經(jīng)被收集者同意，即使是將合法收集的公民個(gè)人信息向他人提供的，也屬于刑法第二百五十三條之一規(guī)定的“提供公民個(gè)人信息”，可能構(gòu)成犯罪。

2、學(xué)會(huì)分析 Http 請(qǐng)求

我們每一次與服務(wù)端的交互都是通過 Http 協(xié)議，當(dāng)然也有不是 Http 協(xié)議的，這個(gè)能不能采集我就不知道啦，沒有采集過，所以我們只談?wù)?Http  協(xié)議，在 Web 網(wǎng)頁(yè)中分析 Http 協(xié)議還是比較簡(jiǎn)單，我們以百度檢索一條新聞為例

我們打開 F12 調(diào)試工具，點(diǎn)擊 NetWork 查看版能查看到所有的請(qǐng)求，找到我們地址欄中的鏈接，主鏈接一般存在 NetWork 最上面一條鏈接

在右邊headers查看欄中，我們能夠看到這次請(qǐng)求所需要的參數(shù)，在這里我們需要特別注意 Request Headers 和 Query String  Parameters 這兩個(gè)選項(xiàng)欄。

Request Headers 表示的是該次 Http  請(qǐng)求所需要的請(qǐng)求頭的參數(shù)，有一些網(wǎng)站會(huì)根據(jù)請(qǐng)求頭來屏蔽爬蟲，所以里面的參數(shù)還是需要了解一下的，請(qǐng)求頭參數(shù)中大部分參數(shù)都是公用的， User-Agent 和  Cookie 這兩個(gè)參數(shù)使用比較頻繁， User-Agent 標(biāo)識(shí)瀏覽器請(qǐng)求頭，Cookie 存放的是用戶登錄憑證。

Query String Parameters 表示該次 Http 請(qǐng)求的請(qǐng)求參數(shù)，對(duì)于post  請(qǐng)求來說這個(gè)還是非常重要的，因?yàn)樵谶@里可以查看到請(qǐng)求參數(shù)，對(duì)我們模擬登陸等 Post 請(qǐng)求非常有用。

上面是網(wǎng)頁(yè)版的 HTTP 請(qǐng)求的鏈接分析，如果需要采集 APP 里面的數(shù)據(jù)就需要借助模擬器了，因?yàn)?APP  里沒有調(diào)試工具，所以只能借助模擬器，使用較多的模擬器工具有如下兩種，有興趣的可以執(zhí)行研究。

• fiddler

• wireshark

3、學(xué)會(huì) HTML 頁(yè)面解析

我們采集的頁(yè)面都是 HTML 頁(yè)面，我們需要在 HTML 頁(yè)面中獲取我們需要的信息，這里面就涉及到了 HTML 頁(yè)面解析，也就是 DOM  節(jié)點(diǎn)解析，這一點(diǎn)是重中之重，如果你不會(huì)這一點(diǎn)就像魔術(shù)師沒有道具一樣，只能干瞪眼啦。例如下面這個(gè) HTML 頁(yè)面

我們需要獲取標(biāo)題 “java user-agent 判斷是否電腦訪問” ，我們先通過 F12 檢查元素

標(biāo)題所在的 span 標(biāo)簽我已經(jīng)在圖中框出來啦，我們?cè)撊绾谓馕鲞@個(gè)節(jié)點(diǎn)信息呢?方法有千千萬萬，經(jīng)常使用的選擇器應(yīng)該是 CSS 選擇器 和 XPath  ：

使用 CSS 選擇器解析的寫法為：#wgt-ask > h2 > span

使用 XPath 解析的寫法為：//span[@class="wgt-ask"]

這樣就獲取到了 span 的節(jié)點(diǎn)，值需要取出 text 就好了，對(duì)于 CSS 選擇器 和 XPath  除了自己編寫之外，我們還可以借助瀏覽器來幫我們完成，例如 chrome 瀏覽器

只需要選中對(duì)應(yīng)的節(jié)點(diǎn)，右鍵找到 Copy ，它提供了幾種獲取該節(jié)點(diǎn)的解析方式，具體的如上圖所示，Copy selector 對(duì)應(yīng)的就是 Css  選擇器，Copy XPath 對(duì)應(yīng)的是 XPath，這個(gè)功能還是非常有用的。

4、了解反爬蟲策略

因?yàn)楝F(xiàn)在爬蟲非常泛濫，很多網(wǎng)站都會(huì)有反爬蟲機(jī)制，來過濾掉爬蟲程序，以便保證網(wǎng)站的可以用，這也是非常有必要的手段，畢竟如果網(wǎng)站不能使用了，就沒有利益可談啦。反爬蟲的手段非常多，我們來看看幾種常見的反爬蟲手段。

基于 Headers 的反爬蟲機(jī)制

這是一種比較常見的反爬蟲機(jī)制，網(wǎng)站通過檢查 Request Headers 中的 User-Agent 、Referer  參數(shù)，來判斷該程序是不是爬蟲程序。要繞過這種機(jī)制就比較簡(jiǎn)單，我們只需要在網(wǎng)頁(yè)中先查看該網(wǎng)站所需要的 User-Agent 、Referer  參數(shù)的值，然后在爬蟲程序的 Request Headers 設(shè)置好這些參數(shù)就好啦。

基于用戶行為的反爬蟲機(jī)制

這也是一種常見的反爬蟲機(jī)制，最常用的就是 IP 訪問限制，一個(gè) IP  在一段時(shí)間內(nèi)只被允許訪問多少次，如果超過這個(gè)頻次的話就會(huì)被認(rèn)為是爬蟲程序，比如豆瓣電影就會(huì)通過 IP 限制。

對(duì)于這種機(jī)制的話，我們可以通過設(shè)置代理 IP 來解決這個(gè)問題，我們只需要從代理ip網(wǎng)站上獲取一批代理ip，在請(qǐng)求的時(shí)候通過設(shè)置代理 IP 即可。

除了 IP  限制之外，還會(huì)有基于你每次的訪問時(shí)間間隔，如果你每次訪問的時(shí)間間隔都是固定的，也可能會(huì)被認(rèn)為是爬蟲程序。要繞過這個(gè)限制就是在請(qǐng)求的時(shí)候，時(shí)間間隔設(shè)置不一樣，比例這次休眠  1 分鐘，下次 30 秒。

基于動(dòng)態(tài)頁(yè)面的反爬蟲機(jī)制

有很多網(wǎng)站，我們需要采集的數(shù)據(jù)是通過 Ajax 請(qǐng)求的或者通過  JavaScript生成的，對(duì)于這種網(wǎng)站是比較麻煩的，繞過這種機(jī)制，我們有兩種辦法，一種是借助輔助工具，例如 Selenium  等工具獲取渲染完成的頁(yè)面。第二種方式就是反向思維法，我們通過獲取到請(qǐng)求數(shù)據(jù)的 AJAX 鏈接，直接訪問該鏈接獲取數(shù)據(jù)。

以上就是爬蟲的一些基本知識(shí)，主要介紹了網(wǎng)絡(luò)爬蟲的使用工具和反爬蟲策略，這些東西在后續(xù)對(duì)我們的爬蟲學(xué)習(xí)會(huì)有所幫助，由于這幾年斷斷續(xù)續(xù)的寫過幾個(gè)爬蟲項(xiàng)目，使用  Java 爬蟲也是在前期，后期都是用 Python，最近突然間對(duì) Java 爬蟲又感興趣了，所以準(zhǔn)備寫一個(gè)爬蟲系列博文，重新梳理一下 Java 網(wǎng)絡(luò)爬蟲，算是對(duì)  Java 爬蟲的一個(gè)總結(jié)，如果能幫助到想利用 Java 做網(wǎng)絡(luò)爬蟲的小伙伴，那就更棒啦。Java  網(wǎng)絡(luò)爬蟲預(yù)計(jì)會(huì)有六篇文章的篇幅，從簡(jiǎn)單到復(fù)雜，一步一步深入，內(nèi)容涉及到了我這些年爬蟲所遇到的所有問題。下面是模擬的六篇文章介紹。

1、網(wǎng)絡(luò)爬蟲，原來這么簡(jiǎn)單

這一篇是網(wǎng)絡(luò)爬蟲的入門，會(huì)使用 Jsoup 和 HttpClient 兩種方式獲取到頁(yè)面，然后利用選擇器解析得到數(shù)據(jù)。最后你會(huì)收獲到爬蟲就是一條 http  請(qǐng)求，就是這么簡(jiǎn)單。

2、網(wǎng)頁(yè)采集遇到登錄問題，我該怎么辦?

這一章節(jié)簡(jiǎn)單的聊一聊獲取需要登錄的數(shù)據(jù)，以獲取豆瓣個(gè)人信息為例，從手動(dòng)設(shè)置 cookies 和模擬登陸這兩種方式簡(jiǎn)單的聊一聊這類問題。

3、網(wǎng)頁(yè)采集遇到數(shù)據(jù) Ajax 異步加載，我該怎么辦?

這一章節(jié)簡(jiǎn)單的聊一聊異步數(shù)據(jù)的問題，以網(wǎng)易新聞為例，從利用 htmlunit 工具獲取渲染完頁(yè)面和反向思維直接獲取到 Ajax  請(qǐng)求連接獲取數(shù)據(jù)兩種方式，簡(jiǎn)單的聊一下這類問題的處理方式。

4、網(wǎng)頁(yè)采集 IP 被封，我該怎么辦?

IP 訪問被限制這應(yīng)該是常見的事情，以豆瓣電影為例，主要以設(shè)置代理IP為中心，簡(jiǎn)單的聊一聊 IP  被限制的解決辦法，還會(huì)簡(jiǎn)單的聊一下如何搭建自己的ip代理服務(wù)。

5、網(wǎng)絡(luò)采集性能太差，我該怎么辦?

有時(shí)候?qū)ε老x程序的性能有要求，這種單線程的方式可能就行不通了，我們可能就需要多線程甚至是分布式的爬蟲程序啦，所以這一篇主要聊一聊多線程爬蟲以及分布式爬蟲架構(gòu)方案。

6、開源爬蟲框架 webmagic 使用案例解析

以前用 webmagic 做過一次爬蟲，但是那個(gè)時(shí)候我似懂非懂的，沒有很好的理解 webmagic  框架，經(jīng)過這幾年的經(jīng)歷，我現(xiàn)在對(duì)這個(gè)框架有了全新的認(rèn)識(shí)，所以想按照 webmagic 的規(guī)范搭建一個(gè)簡(jiǎn)單的 demo來體驗(yàn) webmagic  的強(qiáng)大之處。

到此，關(guān)于“java網(wǎng)絡(luò)爬蟲的基礎(chǔ)知識(shí)有哪些”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(shí)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(shí)，請(qǐng)繼續(xù)關(guān)注億速云網(wǎng)站，小編會(huì)繼續(xù)努力為大家?guī)砀鄬?shí)用的文章！