- 实际操作中,该如何遵守Robots协议?
中国大学mooc
===================================================================
网络爬虫(又称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。聚焦爬虫的工作流程较为复杂,需要根据一定的网页分析算法过滤与主题无关的链接,保留有用的链接并将其放入等待抓取的URL队列。然后,它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL,并重复上述过程,直到达到系统的某一条件时停止。另外,所有被爬虫抓取的网页将会被系统存贮,进行一定的分析、过滤,并建立索引,以便之后的查询和检索;对于聚焦爬虫来说,这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。
======================================================================
网络爬虫的尺寸:
-
小规模:数据量小,对爬取速度不敏感 (爬网页,玩,90%)
-
中规模:数据量较大,对爬取速度敏感 (爬网站,系列网站)
-
大规模:爬取搜索引擎,爬取速度很关键,定制。 (爬全网)
爬虫导致的问题:
- 网络爬虫可能对服务器造成“性能骚扰”
Web服务器默认接收人类访问
受限于编写水平和目的,网络爬虫将会为Web服务器带来巨大的资源开销
- 网络爬虫使用不当可能带来“法律风险”
服务器上的数据有产权归属
网络爬虫获取数据后牟利将带来法律风险
- 网络爬虫的“隐私泄露”
网络爬虫可能具备突破简单访问控制的能力,获得被保护数据
从而泄露个人隐私
总结:
-
性能骚扰
-
法律风险
-
隐私泄露
======================================================================
• 来源审查:判断User‐Agent进行限制(需要有一定的技术能力)
检查来访HTTP协议头的User‐Agent域,只响应浏览器或友好爬虫的访问
• 发布公告:Robots协议
告知所有爬虫网站的爬取策略,哪里可以爬,哪里不可以,要求爬虫遵守。
=======================================================================
Robots Exclusion Standard,网络爬虫排除标准
作用:
最后
🍅 硬核资料:关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。
🍅 面试题库:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。
🍅 知识体系:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!