网路爬虫不生产内容只是内容的搬运工
⇨⇦
搜索引擎和聚合类新闻App之所以有源源不断的新内容供予用户浏览，原因就在于有网络爬虫技术的加持。网络爬虫的应用对于用户来说，是一大福利——我们可以从一个搜索引擎轻松搜索到各个领域的信息。但是，对于原创方来说，就涉及到版权被侵犯的问题了。工具理性，但不意味着操持工具的人就可以假借＂工具理性＂肆意侵犯他人的合法权益，网络爬虫技术的应用还应该要在法理之内。
一、初识爬虫
工作的时候，想要查找＂产品设计＂，可以直接在搜索引擎上输入内容，就可以直接找到数以百万计的资料。
上下班路上，刷新闻类APP的时候，只要愿意，就会有源源不断的新的信息，足够刷一路的时间。
搜索引擎和（大多数）新闻类APP都不自己生产内容（虽然有些平台孵化了自己的内容，但也只占整个平台内容的很少的一部分，更重要的是，成本非常高）。
那么，他们的大量的内容从哪里来？
＂我们不生产内容，只是内容的搬运工＂，将互联网上的内容＂搬运＂到自己的服务器上，这就是爬虫。
首先，我们需要了解一下互联网的结构。
互联网上的内容数以亿计，虽然很复杂，但说白了就是一张大网，网上的每个节点就是一个网页，连接网页的超链接（Hyperlinks）相当于线，线把所有的节点连接在一起，形成了一个复杂的网。
通过点击超链接的文字或者图片，就可以跳转到对应的网页。爬虫可以自动访问到每一个网页，并把网页的内容保存下来。
世界上第一个网络爬虫由麻省理工学院的学生马修·格雷（Matthew Gray）在1993年写成，之后的爬虫尽管越来越复杂。
比如：可以实现更快的访问速度、访问更多的网页、更好的将网站内容解析出来。但爬虫的基本原理是一样的，都主要包括三个部分：访问网页链接，下载网页内容，解析网页内容。
爬虫的工作过程与我们查找网页的过程是一样的。
比如，我们想要查一下豆瓣上最新的电影：首先，在浏览器地址栏输入网址链接https://movie.douban.com/，之后，浏览器会跳转到豆瓣电影。最后，我们就可以找到当前热映的电影。
同样的，一个最简单的爬虫三步就可以爬取一个网页——首先，访问这个网页，之后，把网页内容下载下来，最后，对下载的内容进行解析。
二、7行代码爬取豆瓣电影
最简单的爬虫三步就可以爬取一个网页，那么要写多少行代码呢？
我们写一个爬虫，爬取豆瓣的＂一周口碑榜＂，只要7行代码！
这里我们使用Python语言，至于为什么选择Python语言，会在后面交代清楚，如果不懂Python也没有关系，了解爬虫是如何工作的就可以了。
代码如下：
import requests from lxml
import html url=’https://movie.douban.com/’ # 1、需要爬数据的网址
page=requests.Session().get(url) # 2、访问网页
tree=html.fromstring(page.text) # 3、解析网页的过程
result=tree.xpath(‘//td[@class=＂title＂]//a/text()’) #3、解析网页的过程
print(result) # 打印出结果
在Python环境中运行这几行代码，就可以获取＂一周口碑榜＂了，结果如下：
[‘迦百农’, ‘绿皮书’, ‘驯龙高手3’, ‘速成家庭’, ‘阿丽塔：战斗天使’, ‘肤色’, ‘死亡天使’, ‘黎明墙’, ‘小小巨人’, ‘出·路’]
其中最关键的是解析网页内容，主要是(‘//td[@class=＂title＂]//a/text()’)这行代码，大多数人可能对比较困惑。
这涉及到HTML网页的结构，可以把网页理解成一个文件夹，打开一个文件夹，会发现子文件夹，子文件夹或许还有文件夹。通过打开一个个文件夹，最终找到需要的数据。
//td ：这个相当于大目录；
[@class=＂title＂]：这个相当于小目录；
//a ：这个相当于最小的目录；
/text()：这个是提取其中的文字内容。
至于是怎么写出来这行代码的，可以通过在网页空白处点击右键，查看源代码，就可以找到对应的td、class=＂title＂、a等标识符。
大多数程序员写爬虫选择python的理由很简单.
首先，python有很多的库，可以直接调用，比如：上面的代码就引入了requests、lxml库，分别实现访问网页、对网页结构解析。有开源的库，就直接调用，避免重复造轮子。
其次，python写起来很方便，配置也简单，短短几行的代码，就可以直接运行了，如果使用C或者Java，可能配置环境就要老半天。
三、一个简答的爬虫系统
把上面的每个步骤分别实现（模块化），就可以构成一个简答的爬虫系统。
使用URL（可以理解为网址链接）管理器管理所有的网址链接，使用HTML（可以理解为网页内容）下载器下载网页内容，使用HTML解析器对下载的内容解析，再加上数据存储模块、控制整个爬虫的调度模块，就构成了一个简单的爬虫系统。
爬虫基本架构
更具体的说，URL管理器负责管理所有的网址链接，记录下哪些URL已经爬取了，哪些还没有爬取。如果爬取过了，就要避免再次下载，如果没有，就要加入队列，等HTML下载器下载。
HTML下载器可以从服务器下载整个网页的内容，从URL管理器中获取未爬取的网址链接，之后，访问这些网页链接，下载网页。
HTML解析器负责解析下载好的网页，主要有两个任务：一方面，解析出需要的信息，比如上文的＂一周口碑榜＂；另一方面，解析出新的URL链接，交给URL管理器，继续下载，这个功能在上面的＂7行代码＂没有实现。
数据存储器实现存储数据的功能，将HTML解析器解析出来的信息存储起来，否则每次使用都要下载，会浪费大量的时间。图片、文档之类的文件可以直接保存到服务器上，文字类的可以通过数据库存储起来。
爬虫调度器作为系统的大脑，负责统筹其他四个模块的协调工作。
无论是大型的还是小型的爬虫虽然在设计细节，性能上有所不同，但都不会脱离这五个模块。
四、更深入的考虑
乍一看，每个模块实现起来都很简单，但细想，似乎每个模块都要考虑很多东西。
1. 初始的网址链接如何获得
7行代码爬取豆瓣电影，直接访问网址链接（https://movie.douban.com/）就可以爬取＂一周口碑榜＂。对稍大一些的爬虫系统或者商用爬虫，就要有更多的考虑了，在保证获取充足信息的同时，也要保证下载的质量。
对搜索引擎公司而言，要尽可能包括互联网所有的信息。对垂直领域，更多的偏向业务类信息，比如：对新闻类的APP，主要包括一些新闻网站、政府网站等，对Github这类的编程网站，他们可能就不感兴趣。
巧妇难为无米之炊，初始的网址链接基本要靠人工凭经验获取，比如：新闻类的APP，他们的初始URL列表里可能就包括新浪、网易、搜狐等门户网站，也包括各个级别的政府网站，还有人民网、新华社、人民日报等媒体的网站。
2. 如何确定哪些网页已经下载过了
当一个页面下载完成后，从这个网页中提取出其中的网址链接，把它们添加到等待下载的队列中，就可以获得更多的网址链接。
如果一个网页已经下载过了，重新下载，会消耗大量的时间，并占用存储空间。更要命的是，如果一直重复下载，就可能陷入死循环。
那么，如何知道这网址链接是不是已经下载过了？
对于小型爬虫，可以使用列表存储下载过的网址链接，当有新的网址链接的时候，先查找这个列表中有没有该网址链接。如果有的话，就不用插入，如果没有的话，就插入列表，等待访问下载。
对于大型爬虫，有成百上千个＂小爬虫＂（更加专业的名词叫做分布式爬虫），分布在不同的服务器上，同时爬取网址链接，就要考虑更多的东西。
比如：不同爬虫之间的分工和通信，如何共同维护上述的列表。
当数据很大的时候，就要考虑分布式、通信、存储、带宽等每个环节的限制，无论哪个环节没有做好，都有可能成为系统的瓶颈，这就像是木桶效应中的短板。
数据量增加10倍，之前的代码可能要重写了，工作量可能就要增加100倍，这也是量变引起质量的一个很好的例子。
在计算机领域，这样的例子随处可见，当数据增大到一定量级，原有的算法很可能无法继续使用，需要重新开发，随之而来的是加班、DEBUG以及延期上线。
3. 页面的解析
爬取豆瓣电影的＂一周口碑榜＂，需要研究网页的源代码，并编写对应的解析代码。但是网页的结构不同，用这个代码爬取知乎，解析不到任何内容。
以新闻类的APP为例：一个好的新闻类APP需要爬虫数以亿计的网页，并把里面的文字、视频、图片分别解析出来，难度可想而知。
好消息是一部分网站会遵守RSS规范（遵守RSS规范的网页结构和代码都有相似性，以便于订阅器获取主要信息），一种类型的爬虫就可以爬取大量这种类似的网页。但大部分的网站的结构，都是不同的，这需要算法工程师花费大量的时间和精力做解析工作。
五、 反爬虫
新闻类APP通过爬虫，获得大量的优质资源，读者也乐意在一个平台上看到所有的内容，但＂被爬取＂的网站就不太高兴了。对于大多数依靠广告收入的网站，没有了流量，连生存都成了问题，更别说盈利了。
一些自成体系的平台，比如：大型电商平台，他们希望所有的用户在自己的平台上查找信息，所有的商家在自己的平台上吸引卖家（广告费可不能付给搜索引擎），同样不希望爬虫的骚扰。
搜索引擎希望爬取更多的信息，优质的内容提供商又不希望被爬虫骚扰，利益冲突难以调和，于是产生了Robots协议来解决这个问题。
Robots协议网站服务器的一个声明，通常是保存在网站根目录下的一个TXT格式的文件，网站通过Robots协议告诉搜索引擎：哪些页面可以抓取？哪些页面不能抓取？
当爬虫访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，爬虫就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的爬虫将能够访问网站上所有没有被口令保护的页面。
我们使用搜索引擎，经常会看到＂由于该网站的robots.txt文件存在限制指令（限制搜索引擎抓取），系统无法提供该页面的内容描述＂，就是源于这个协议。
值得注意的是：Robots协议是国际互联网界通行的道德规范，并没有强制性约束力。
一些＂没有道德＂的爬虫同样会爬取有robots.txt限制指令的网站，这时候就需要一些技术来实现反爬虫了。
最常见的有三种方式：
1. 网站会根据IP地址访问的频率确定是不是爬虫
每个电脑都有唯一的IP地址，每个爬虫也有唯一的IP地址，当电脑或者爬虫访问网站的时候，网站会记录这个IP地址。如果同一个IP短时间多次访问同一个网站，这个网站可能会倾向于认为这是个爬虫，会采取一些措施。
最常见的就是验证码、点击图片之类的验证机制了。
我们使用12306买票的时候总需要点击图片，就是一种反爬虫机制——因为爬虫太多，一个爬虫每秒可以实现成百上千次的点击，在春运等高峰时段，12306上爬虫点击买票的次数甚至要超过人点击的数量。于是，就干脆全部使用验证机制。
当然，这在反爬虫的同时，也会给用户带来一些不好的体验。
相比之下，一些比较优秀的网站或者APP，会根据用户点击频率、时间间隔等信息，判断是不是爬虫或者误点击，之后再确定是否需要验证。
更好的用户体验背后，是更大的开发成本，更长的开发周期。
2. 网站也可以根据用户请求的Headers来判断是不是爬虫
当我们使用浏览器访问网站的时候，浏览器会自动在访问请求上添加一些信息，比如：浏览器采用的编码方式、使用的操作系统、浏览器版本等信息放在访问请求的最开始，作为Headers，但爬虫一般不会附加这些信息。
网站会根据是否存在Headers信息以及Headers信息的内容，判断对方是不是爬虫，有必要的话，就拒绝访问。
3. 动态页面的反爬虫
之前将的HTML网页都是静态的，随着HTML代码生成，页面的内容和显示效果就不会发生变化了。而动态网页则不然，动态网站是脚本语言（比如PHP）生成的，一些内容不是直接可见的，而是要运行一些脚本，才能看到。
网址后缀为htm、html、shtml、xml的网页是静态网页，而动态网页是以·aspx、.asp、.jsp、.php、.perl、.cgi等形式为后缀，并且在动态网页网址中有一个标志性的符号＂?＂，这些不同的后缀基本代表了网页使用的语言。
访问静态网页，只需要直接访问链接就可以了，访问动态网站，还需要执行一些特定的操作（比如点击），才能显示更多的内容，这就增加了爬取的难度，一些简单的爬虫就被拒之门外了。
介绍完三种主流的反爬虫的方式，最后要说的是：反爬虫技术也不是一劳永逸的，在反爬虫的发展过程中，爬虫也进化出了一系列反＂反爬虫＂的方式。
针对反爬虫验证IP机制，爬虫＂进化＂出了IP代理池，这样，爬虫就可以不断变换自己的IP地址，迷惑反爬虫。针对Headers验证，爬虫也会生成一个Headers信息，甚至针对动态页面，也会模拟浏览器的行为。
虽然如此，反爬虫在一定程度上提高了爬虫的成本，降低了爬虫的效率，就可以将一大部分爬虫挡在门外。
从爬虫与反爬虫的例子也可以看出：大多数时候，没有绝对的有效方式。提高对方的成本，让对方觉得代价太大，得不偿失，就是很好的解决问题的办法。
六、爬虫实现冷启动——胜利即正义？
上面讲了爬虫是怎么运行的，常见的反爬虫机制。最后，我们再讲一个爬虫的应用场景的例子，可以帮助我们更好理解爬虫。
冷启动是每一个产品经理、运营人员和创业者面临的重大问题。没有优质的内容，就吸引不了用户，没有大量的用户，就无法吸引优质的内容，就陷入了先有鸡还是先有蛋的悖论。
爬虫，低成本、快速地解决了这个问题！
＂我们不生产新闻，我们只是新闻的搬运工＂，通过爬虫，低成本、快速地爬取整个互联网的优质内容，并凭借海量数据，利用算法实现内容分类和个性推荐（个性推荐系统会在后序章节详细介绍），吸引大量的用户，最终通过广告变现。
事实证明，这是个非常成功的商业模式。而媒体平台和新闻网站雇佣大量编辑人员，花费大量时间、金钱写成的高质量内容，连说一声都没有，就这样被拿走了，这不是侵犯人家版权嘛！
于是，多家媒体联合发起侵权诉讼或抗议声讨，最终迫使这家新闻巨头支付版权费，但无论法律上、道德上有多少问题，都不影响这家公司商业成功的既定事实。
类似的事情同样发生在其他垂直领域。
一家新成立的技术博客平台，爬取竞争对手上的文章，迅速实现优质内容的聚合。如果原博客主发现了自己的文章被盗用了，新的平台就移交账号并看情况给予少许补偿。如果对方不乐意，就注销账号，当一切都没有发生过。凭借这种运营方式，顺利实现了冷启动。
短视频APP的后来者，也可以通过类似的方式，实现用户的积累和优质内容的聚合。
胜利即正义？
这似乎是过于武断的一个评价。
上述的视频APP做得太过分，引起公愤，最终不得不关闭自己的平台。
对于通过爬虫获取内容的平台而言，内容的获取也只是万里长征的第一步，通过运营手段减小生产内容的成本，通过利益共享激励优质内容的产生，通过技术减小信息成本吸引用户，更加任重而道远。
而版权，也始终是悬于头顶的达摩克利斯之剑。