• 什麼是爬蟲

     爬蟲就是通過編寫程式模擬瀏覽器上網，然後讓其去網際網路上抓取資料的過程。

• 哪些語言可以實現爬蟲

     1.php：可以實現爬蟲。php被號稱是全世界最優美的語言（當然是其自己號稱的，就是王婆賣瓜的意思），但是php在實現爬蟲中支援多執行緒和多程序方面做的不好。

     2.java：可以實現爬蟲。java可以非常好的處理和實現爬蟲，是唯一可以與python並駕齊驅且是python的頭號勁敵。但是java實現爬蟲程式碼較為臃腫，重構成本較大。

     3.c、c++：可以實現爬蟲。但是使用這種方式實現爬蟲純粹是是某些人（大佬們）能力的體現，卻不是明智和合理的選擇。

     4.python：可以實現爬蟲。python實現和處理爬蟲語法簡單，程式碼優美，支援的模組繁多，學習成本低，具有非常強大的框架（scrapy等）且一句難以言表的好！沒有但是！

• 爬蟲的分類

     1.通用爬蟲：通用爬蟲是搜尋引擎（Baidu、Google、Yahoo等）“抓取系統”的重要組成部分。主要目的是將網際網路上的網頁下載到本地，形成一個網際網路內容的映象備份。  簡單來講就是儘可能的；把網際網路上的所有的網頁下載下來，放到本地伺服器裡形成備分，在對這些網頁做相關處理(提取關鍵字、去掉廣告)，最後提供一個使用者檢索介面。 
  • 搜尋引擎如何抓取網際網路上的網站資料？
    • 入口網站主動向搜尋引擎公司提供其網站的url
    • 搜尋引擎公司與DNS服務商合作，獲取網站的url
    • 入口網站主動掛靠在一些知名網站的友情連結中

    2.聚焦爬蟲：聚焦爬蟲是根據指定的需求抓取網路上指定的資料。例如：獲取豆瓣上電影的名稱和影評，而不是獲取整張頁面中所有的資料值。

•  robots.txt協議

      - 如果自己的入口網站中的指定頁面中的資料不想讓爬蟲程式爬取到的話，那麼則可以通過編寫一個robots.txt的協議檔案來約束爬蟲程式的資料爬取。robots協議的編寫格式可以觀察淘寶網的robots（訪問www.taobao.com/robots.txt即可）。但是需要注意的是，該協議只是相當於口頭的協議，並沒有使用相關技術進行強制管制，所以該協議是防君子不防小人。但是我們在學習爬蟲階段編寫的爬蟲程式可以先忽略robots協議。

• 反爬蟲

     - 入口網站通過相應的策略和技術手段，防止爬蟲程式進行網站資料的爬取。

• 反反爬蟲

     - 爬蟲程式通過相應的策略和技術手段，破解入口網站的反爬蟲手段，從而爬取到相應的資料。