WS02-网络爬虫的盗亦有道

网络爬虫引发的问题

网络爬虫的尺寸

小规模，数据量小 爬取速度不敏感 Requests库	中规模，数据规模较大 爬取速度敏感 Scrapy库	大规模，搜索引擎 爬取速度关键 定制开发
爬取网页 玩转网页	爬取网站 爬取系列网站	爬取全网

网络爬虫的“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

网络爬虫的法律风险

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

网络爬虫的限制

1.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
2.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

案例：真实的Robots协议

https://www.jd.com/robots.txt
http://www.baidu.com/robots.txt
http://news.sina.com.cn/robots.txt
http://www.qq.com/robots.txt
http://news.qq.com/robots.txt
http://www.moe.edu.cn/robots.txt （无robots协议）

下面是京东的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: /

Robots协议基本语法

# 注释，*代表所有，/代表根目录
 User‐agent: * 
 Disallow: / 

Robots协议的遵守方式

实际操作中，该如何遵守Robots协议？

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