前言

說起網(wǎng)絡(luò)爬蟲，大家想起的估計都是 Python ，誠然爬蟲已經(jīng)是 Python 的代名詞之一，相比 Java 來說就要遜色不少。有不少人都不知道 Java 可以做網(wǎng)絡(luò)爬蟲，其實 Java 也能做網(wǎng)絡(luò)爬蟲而且還能做的非常好，在開源社區(qū)中有不少優(yōu)秀的 Java 網(wǎng)絡(luò)爬蟲框架，例如 webmagic 。我的第一份正式工作就是使用 webmagic 編寫數(shù)據(jù)采集程序，當時參與了一個輿情分析系統(tǒng)的開發(fā)，這里面涉及到了大量網(wǎng)站的新聞采集，我們就使用了 webmagic 進行采集程序的編寫，由于當時不知道其設(shè)計原理，使用起來還是走了不少彎路，其實 webmagic 的設(shè)計借鑒了 Scrapy ，所以它也能像 Scrapy 一樣強大，關(guān)于 webmagic 框架我們將在后續(xù)展開詳細的討論。

在后面的幾年工作中，也參與了好幾個爬蟲項目，但是大多數(shù)都是使用 Python ，拋開語言不談，爬蟲也是有一套思想的。這些年寫爬蟲程序，對我個人的技術(shù)成長幫助非常大，因為在爬蟲的過程中，會遇到各種各樣的問題，其實做網(wǎng)絡(luò)爬蟲還是非?？简灱夹g(shù)的，除了保證自己的采集程序可用之外，還會遇到被爬網(wǎng)站各種奇奇怪怪的問題，比如整個 HTML 頁面有沒一個 class 或者 id 屬性，你要在這種頁面提取表格數(shù)據(jù)，并且做到優(yōu)雅的提取，這就是非常考驗?zāi)愕南胂罅σ约凹夹g(shù)啦。非常有幸在剛?cè)胄械臅r候就接觸到了網(wǎng)絡(luò)爬蟲這一塊，它加快了我對互聯(lián)網(wǎng)的理解和認知，擴寬了我的視野。

這幾年來網(wǎng)絡(luò)爬蟲比較火，如果你想學(xué)習(xí) Java 網(wǎng)絡(luò)爬蟲，我根據(jù)我自己的經(jīng)驗總結(jié)了一下，想入門學(xué)習(xí) Java 網(wǎng)絡(luò)爬蟲需要知道的四點基礎(chǔ)知識。

1、有 “道德” 的爬蟲

我為什么會把這一點放在最前面呢？因為我覺得這一點比較重要，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，我個人比較贊同下面的這個回答

爬蟲作為一種計算機技術(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。

爬蟲為不違法？取決于你做的事情為不違法，網(wǎng)絡(luò)爬蟲的本質(zhì)是什么？網(wǎng)絡(luò)爬蟲的本質(zhì)是用機器代替人工去訪問頁面。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)站中會申明 Robots 協(xié)議告訴你哪些頁面是可以抓取的，哪些頁面是不能抓取的，當然 Robots 協(xié)議只是一種約定，就像公交車上的座位一樣標明著老弱病殘專座，你去坐了也不違法。

除了協(xié)議之外，我們的采集行為上也需要克制，在 『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)運營者采取自動化手段訪問收集網(wǎng)站數(shù)據(jù)，不得妨礙網(wǎng)站正常運行；此類行為嚴重影響網(wǎng)站運行，如自動化訪問收集流量超過網(wǎng)站日均流量三分之一，網(wǎng)站要求停止自動化訪問收集時，應(yīng)當停止。

這條規(guī)定指出了爬蟲程序不得妨礙網(wǎng)站正常運行，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)的情況下采集了個人信息數(shù)據(jù)，也千萬不要去出賣個人數(shù)據(jù)，這個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“情節(jié)嚴重”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、財產(chǎn)安全的公民個人信息五百條以上的；

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

此外，未經(jīng)被收集者同意，即使是將合法收集的公民個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“提供公民個人信息”，可能構(gòu)成犯罪。

2、學(xué)會分析 Http 請求

我們每一次與服務(wù)端的交互都是通過 Http 協(xié)議，當然也有不是 Http 協(xié)議的，這個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)頁中分析 Http 協(xié)議還是比較簡單，我們以百度檢索一條新聞為例

我們打開 F12 調(diào)試工具，點擊 NetWork 查看版能查看到所有的請求，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 這兩個選項欄。

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

Query String Parameters 表示該次 Http 請求的請求參數(shù)，對于post 請求來說這個還是非常重要的，因為在這里可以查看到請求參數(shù)，對我們模擬登陸等 Post 請求非常有用。

上面是網(wǎng)頁版的 HTTP 請求的鏈接分析，如果需要采集 APP 里面的數(shù)據(jù)就需要借助模擬器了，因為 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 HTML 頁面解析

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

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

標題所在的 span 標簽我已經(jīng)在圖中框出來啦，我們該如何解析這個節(jié)點信息呢？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 ，如果你還不知道這兩種選擇器，可以點擊下方鏈接學(xué)習(xí)了解一下：

CSS 選擇器參考手冊：https://www.w3school.com.cn/cssref/css_selectors.asp

XPath 教程：https://www.w3school.com.cn/xpath/xpath_syntax.asp

使用 CSS 選擇器解析的寫法為： #wgt-ask > h1 > 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，值需要取出 text 就好了，對于 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

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

4、了解反爬蟲策略

因為現(xiàn)在爬蟲非常泛濫，很多網(wǎng)站都會有反爬蟲機制，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 的反爬蟲機制

這是一種比較常見的反爬蟲機制，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。要繞過這種機制就比較簡單，我們只需要在網(wǎng)頁中先查看該網(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制

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

對于這種機制的話，我們可以通過設(shè)置代理 IP 來解決這個問題，我們只需要從代理ip網(wǎng)站上獲取一批代理ip，在請求的時候通過設(shè)置代理 IP 即可。

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

基于動態(tài)頁面的反爬蟲機制

有很多網(wǎng)站，我們需要采集的數(shù)據(jù)是通過 Ajax 請求的或者通過 JavaScript生成的，對于這種網(wǎng)站是比較蛋疼的，繞過這種機制，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面。第二種方式就是反向思維法，我們通過獲取到請求數(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，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)對我們的爬蟲學(xué)習(xí)會有所幫助。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。