資訊專欄INFORMATION COLUMN
摘要：比如我們可以設置這就代表我們設置的規則對百度爬蟲是有效的。上一篇文章網絡爬蟲實戰使用解析鏈接下一篇文章網絡爬蟲實戰基本使用
上一篇文章：Python3網絡爬蟲實戰---22、使用Urllib：解析鏈接
下一篇文章：Python3網絡爬蟲實戰---24、requests：基本使用
利用 Urllib 的 robotparser 模塊我們可以實現網站 Robots 協議的分析，本節我們來簡單了解一下它的用法。
1. Robots協議Robots 協議也被稱作爬蟲協議、機器人協議，它的全名叫做網絡爬蟲排除標準（Robots Exclusion Protocol），用來告訴爬蟲和搜索引擎哪些頁面可以抓取，哪些不可以抓取。它通常是一個叫做 robots.txt 的文本文件，放在網站的根目錄下。
當搜索爬蟲訪問一個站點時，它首先會檢查下這個站點根目錄下是否存在 robots.txt 文件，如果存在，搜索爬蟲會根據其中定義的爬取范圍來爬取。如果沒有找到這個文件，那么搜索爬蟲便會訪問所有可直接訪問的頁面。
下面我們看一個 robots.txt 的樣例：
User-agent: * Disallow: / Allow: /public/
以上的兩行實現了對所有搜索爬蟲只允許爬取 public目錄的作用。
如上簡單的兩行，保存成 robots.txt 文件，放在網站的根目錄下，和網站的入口文件放在一起。比如 index.php、index.html、index.jsp 等等。
那么上面的 User-agent 就描述了搜索爬蟲的名稱，在這里將值設置為 *，則代表該協議對任何的爬取爬蟲有效。比如我們可以設置：
User-agent: Baiduspider
這就代表我們設置的規則對百度爬蟲是有效的。如果有多條 User-agent 記錄，則就會有多個爬蟲會受到爬取限制，但至少需要指定一條。
Disallow 指定了不允許抓取的目錄，比如上述例子中設置為/則代表不允許抓取所有頁面。
Allow 一般和 Disallow 一起使用，一般不會多帶帶使用，用來排除某些限制，現在我們設置為 /public/ ，起到的作用是所有頁面不允許抓取，但是 public 目錄是可以抓取的。
下面我們再來看幾個例子感受一下：
禁止所有爬蟲訪問任何目錄
User-agent: * Disallow: /
允許所有爬蟲訪問任何目錄
User-agent: * Disallow:
或者直接把 robots.txt 文件留空也是可以的。
禁止所有爬蟲訪問網站某些目錄
User-agent: * Disallow: /private/ Disallow: /tmp/
只允許某一個爬蟲訪問
User-agent: WebCrawler Disallow: User-agent: * Disallow: /
以上是 robots.txt 的一些常見寫法。
2. 爬蟲名稱大家可能會疑惑，爬蟲名是哪兒來的？為什么就叫這個名？其實它是有固定名字的了，比如百度的就叫做 BaiduSpider，下面的表格列出了一些常見的搜索爬蟲的名稱及對應的網站：
| 爬蟲名稱 | 名稱 | 網站 |
|---|---|---|
| BaiduSpider | 百度 | www.baidu.com |
| Googlebot | 谷歌 | www.google.com |
| 360Spider | 360搜索 | www.so.com |
| YodaoBot | 有道 | www.youdao.com |
| ia_archiver | Alexa | www.alexa.cn |
| Scooter | altavista | www.altavista.com |
了解了什么是 Robots 協議之后，我們就可以使用 robotparser 模塊來解析 robots.txt 了。
robotparser 模塊提供了一個類，叫做 RobotFileParser。它可以根據某網站的 robots.txt 文件來判斷一個爬取爬蟲是否有權限來爬取這個網頁。
使用非常簡單，首先看一下它的聲明
urllib.robotparser.RobotFileParser(url="")
使用這個類的時候非常簡單，只需要在構造方法里傳入 robots.txt的鏈接即可。當然也可以聲明時不傳入，默認為空，再使用 set_url() 方法設置一下也可以。
有常用的幾個方法分別介紹一下：
set_url()，用來設置 robots.txt 文件的鏈接。如果已經在創建 RobotFileParser 對象時傳入了鏈接，那就不需要再使用這個方法設置了。
read()，讀取 robots.txt 文件并進行分析，注意這個函數是執行一個讀取和分析操作，如果不調用這個方法，接下來的判斷都會為 False，所以一定記得調用這個方法，這個方法不會返回任何內容，但是執行了讀取操作。
parse()，用來解析 robots.txt 文件，傳入的參數是 robots.txt 某些行的內容，它會按照 robots.txt 的語法規則來分析這些內容。
can_fetch()，方法傳入兩個參數，第一個是 User-agent，第二個是要抓取的 URL，返回的內容是該搜索引擎是否可以抓取這個 URL，返回結果是 True 或 False。
mtime()，返回的是上次抓取和分析 robots.txt 的時間，這個對于長時間分析和抓取的搜索爬蟲是很有必要的，你可能需要定期檢查來抓取最新的 robots.txt。
modified()，同樣的對于長時間分析和抓取的搜索爬蟲很有幫助，將當前時間設置為上次抓取和分析 robots.txt 的時間。
以上是這個類提供的所有方法，下面我們用實例來感受一下：
from urllib.robotparser import RobotFileParser
rp = RobotFileParser()
rp.set_url("http://www.jianshu.com/robots.txt")
rp.read()
print(rp.can_fetch("*", "http://www.jianshu.com/p/b67554025d7d"))
print(rp.can_fetch("*", "http://www.jianshu.com/search?q=python&page=1&type=collections"))
以簡書為例，我們首先創建 RobotFileParser 對象，然后通過 set_url() 方法來設置了 robots.txt 的鏈接。當然不用這個方法的話，可以在聲明時直接用如下方法設置：
rp = RobotFileParser("http://www.jianshu.com/robots.txt")
下一步利用了 can_fetch() 方法來判斷了網頁是否可以被抓取。
運行結果：
True False
同樣也可以使用 parser() 方法執行讀取和分析。
用一個實例感受一下：
from urllib.robotparser import RobotFileParser
from urllib.request import urlopen
rp = RobotFileParser()
rp.parse(urlopen("http://www.jianshu.com/robots.txt").read().decode("utf-8").split("
"))
print(rp.can_fetch("*", "http://www.jianshu.com/p/b67554025d7d"))
print(rp.can_fetch("*", "http://www.jianshu.com/search?q=python&page=1&type=collections"))
運行結果一樣：
True False4. 結語
以上介紹了 robotparser 模塊的基本用法和實例講解，利用它我們就可以方便地判斷哪些頁面可以抓取哪些不可以了。
上一篇文章：Python3網絡爬蟲實戰---22、使用Urllib：解析鏈接
下一篇文章：Python3網絡爬蟲實戰---24、requests：基本使用
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/44070.html
摘要：上一篇文章網絡爬蟲實戰使用處理異常下一篇文章網絡爬蟲實戰使用分析協議庫里還提供了這個模塊，它定義了處理的標準接口，例如實現各部分的抽取，合并以及鏈接轉換。上一篇文章網絡爬蟲實戰使用處理異常下一篇文章網絡爬蟲實戰使用分析協議 上一篇文章：Python3網絡爬蟲實戰---21、使用Urllib：處理異常下一篇文章：Python3網絡爬蟲實戰---23、使用Urllib：分析Robots協議...
摘要：下面我們傳入多個參數構建一個來感受一下在這里我們通過四個參數構造了一個，即請求，在中指定了和，傳遞的參數用了和方法來轉成字節流，另外指定了請求方式為。運行結果如下通過觀察結果可以發現，我們成功設置了，以及。用于處理重定向。 上一篇文章：Python3網絡爬蟲實戰---19、代理基本原理下一篇文章：Python3網絡爬蟲實戰---21、使用Urllib：處理異常 學習爬蟲，最初的操作便...
摘要：所以使用代理隱藏真實的，讓服務器誤以為是代理服務器的在請求自己。參考來源由于涉及到一些專業名詞知識，本節的部分內容參考來源如下代理服務器維基百科代理百度百科上一篇文章網絡爬蟲實戰和下一篇文章網絡爬蟲實戰使用發送請求 上一篇文章：Python3網絡爬蟲實戰---18、Session和Cookies下一篇文章：Python3網絡爬蟲實戰---20、使用Urllib：發送請求 我們在做爬蟲...
摘要：上一篇文章網絡爬蟲實戰使用分析協議下一篇文章在前面一節我們了解了的基本用法，但是其中確實有不方便的地方。發送之后，得到的自然就是，在上面的實例中我們使用了和獲取了內容，不過還有很多屬性和方法可以獲取其他的信息，比如狀態碼等信息。 上一篇文章：Python3網絡爬蟲實戰---23、使用Urllib：分析Robots協議下一篇文章： 在前面一節我們了解了 Urllib 的基本用法，但是其中...
摘要：在前面我們講到了和的概念，我們向網站的服務器發送一個，返回的的便是網頁源代碼。渲染頁面有時候我們在用或抓取網頁時，得到的源代碼實際和瀏覽器中看到的是不一樣的。所以使用基本請求庫得到的結果源代碼可能跟瀏覽器中的頁面源代碼不太一樣。 上一篇文章：Python3網絡爬蟲實戰---16、Web網頁基礎下一篇文章：Python3網絡爬蟲實戰---18、Session和Cookies 爬蟲，即網...
閱讀 817·2021-10-13 09:39
閱讀 3697·2021-10-12 10:12
閱讀 1741·2021-08-13 15:07
閱讀 1005·2019-08-29 15:31
閱讀 2882·2019-08-26 13:25
閱讀 1776·2019-08-23 18:38
閱讀 1878·2019-08-23 18:25
閱讀 1857·2019-08-23 17:20
