目录
网络爬虫引发的问题
网络爬虫的尺寸
- 小规模,数据量小,爬取速读不敏感,Requests库,>90%; 爬去网页,玩转网页
- 中规模,数据规模大,爬去速读敏感,Scrapy库;爬取网站,爬取系列网站
- 大规模,搜索引擎,爬取速度关键,定制开发;爬取全网
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
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
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
网络爬虫的限制
- 来源审查:判断User-Agent进行限制,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,要求爬虫遵守
Robots协议
- Robots Exclusion Standard,网络爬虫排除标准
- 作用:网站告知网络爬虫哪些页面可以抓取,哪些不行
- 形式:在网站根目录下的robots.txt文件
#注释,*代表所有,/代表根目录
#京东的Robots协议
https://www.jd.com/robots.txt
User-agent: *
Disallow: /?*
Disallow: /pop/*.html
Disallow: /pinpai/*.html?*
User-agent: EtaoSpider
Disallow: /
User-agent: HuihuiSpider
Disallow: /
User-agent: GwdangSpider
Disallow: /
User-agent: WochachaSpider
Disallow: /
案例:真实的Robots协议
https://www.baidu.com/robots.txt
http://news.sina.com.cn/robots.txt
https://news.qq.com/robots.txt
http://www.moe.edu.cn/robots.txt (无robots协议)
Robots协议的遵守
robots协议的使用
- 网络爬虫:自动或人工识别robots.txt,再进行内容爬取
- 约束性:Robots协议是建议但非约束性,网络爬虫可以不遵守,但存在法律风险
对Robots协议的理解
爬取网页 玩转网页
- 访问量很小:可以遵守,访问量较大,建议遵守;
爬取网站 爬取系列网站
- 非商业且偶尔:建议遵守 商业利益:必须遵守
爬取全网
- 必须遵守
原则:类人行为可不参考Robots协议
本文仅为学习Python记录,资料来源于中国大学MOOC《Python网络爬虫与信息提取》—嵩天