什么是網絡爬蟲

今天就跟大家聊聊有關什么是網絡爬蟲，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

互聯網誕生之初，是為了讓人們更容易的分享數據、交流通訊。互聯網是橋梁，連接了世界各地的人們。網站的點擊、瀏覽都是人為的，與你聊天的也是活生生的人。然而，隨著技術的發展，人們對數據的渴望，出現了各種網絡機器人，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，互聯網上是各種各樣的人；暗地里，已經布滿了形形色色的網絡爬蟲。

一、搜索引擎時代的網絡爬蟲

關于網絡爬蟲的概念，我們先來瞅瞅維基百科（Wikipedia）上面的定義：

網絡爬蟲（英語：web crawler），也叫網上蜘蛛（spider），是一種用來自動瀏覽萬維網的網絡機器人。其目的一般為編纂網絡索引。

這里提到的編纂網絡索引，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。搜索引擎的工作過程是怎樣的呢？

首先，就是有網絡爬蟲不斷抓取各個網站的網頁，存放到搜索引擎的數據庫；

接著，索引程序讀取數據庫的網頁進行清理，建立倒排索引；

最后，搜索程序接收用戶的查詢關鍵詞，去索引里面找到相關內容，并通過一定的排序算法（Pagerank等）把最相關最好的結果排在最前面呈現給用戶。

看上去簡簡單單的三個部分，卻構成了強大復雜的搜索引擎系統。而網絡爬蟲是其中最基礎也很重要的一部分，它決定著搜索引擎數據的完整性和豐富性。我們也看到網絡爬蟲的主要作用是獲取數據。

由此簡單地說，網絡爬蟲就是獲取互聯網公開數據的自動化工具。

這里要強調一下，網絡爬蟲爬取的是互聯網上的公開數據，而不是通過特殊技術非法入侵到網站服務器獲取的非公開數據。

那么有人可能要問，什么是“公開數據”呢？簡而言之，就是網站上公開讓用戶瀏覽、獲取的數據。

雖然數據是公開的，但是當某人或機構（如，搜索引擎）大量收集這些數據并因此獲利時，也會讓數據生產方——網站很不爽，由此而產生法律糾紛。比如，早些年Google因此而惹上官司。

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

搜索引擎和網站的博弈，催生了一個君子協議： robots.txt。網站在自己的網站上放上這個文件，告訴爬蟲哪些內容可以抓，哪些內容不可以抓；搜索引擎讀取網站的robots.txt來知道自己的抓取范圍，同時也在訪問網站時通過User-Agent來向網站表明自己的身份（這種表明也是君子協議，技術上很容易假扮他人），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、大數據時代的網絡爬蟲

時代在發展，數據變得越來越重要，“大數據”已經成為各行各業討論的話題，人們對數據的渴望也變成貪婪，數據也就成了“石油”，爬蟲也就成了“鉆井機”。

為了獲取石油，人們使用鉆井機；為了獲取數據，人們使用爬蟲。為了獲得數據，人們把互聯網鉆的是“千瘡百孔”。哈哈，這里有些夸張。但人們對數據的獲取，已經打破的君子協定，和網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站帶來網絡帶寬、服務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據被他人集中收集，網站肯定要通過技術手段來限制爬蟲；另一方面，爬蟲為了獲取石油般的數據，就想方設法來突破這種限制。

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據，并進而購買火車票；

防： 12306網站出了變態的認證碼，人都經常識別錯誤。

各種秒殺讓你很受傷！

攻： 研究網站的秒殺機制，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；有些秒殺機制復雜到你很難寫出對應的爬蟲；有些秒殺成功被發現作弊也會被取消。

爬蟲變得越來越多，越來越肆無忌憚，網站也不得不使用各種技術手段來禁止或限制爬蟲。這些手段大致包括：

使用賬戶保護數據，數據僅對登錄用戶可見；

數據多次異步加載；

限制IP訪問頻率，甚至封鎖IP；

輸入驗證碼以獲得訪問權限；

數據在服務器端加密，瀏覽器端解密；

……

而這些手段也是爬蟲在技術實現中要解決和突破的問題。

三、網絡爬蟲的自我約束

看完上面“貓捉老鼠”的游戲的描述，有人不禁要問，網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者思考的問題。

爬蟲作為一種技術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，爬取的數據如何使用，都可能產生潛在的法律問題。作為技術開發的，都應該思考這個問題。無論何種目的，網絡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協議；

避免短時間高并發訪問目標網站，避免干擾目標網站的正常運行；

不要抓取個人信息，比如手機通訊錄等；

使用抓來的數據注意隱私保護，合法合規。

守法合規，既是一直自我約束，也是自我保護。

看完上述內容，你們對什么是網絡爬蟲有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業資訊頻道，感謝大家的支持。