[python爬虫]--robots.txt机器人协议(urllib.robotparser库)

from urllib.robotparser import *


# 获取robots协议内容
def get_robots(robot_url):
    """
    :param robot_url:
    :return:
    """

    # class urllib.robotparser.RobotFileParser(url='')
    rp = RobotFileParser()
    '''
        这个类提供了一些可以读取、解析和回答关于 url 上的 robots.txt 文件的问题的方法
    '''

    # set_url(url)设置指向 robots.txt 文件的 URL
    rp.set_url(robot_url)
    '''
        这两句也等价于
        rp = RobotFileParser(url=robot_url)
    '''

    # read()读取robots文件并进行分析
    rp.read()
    '''
        这个方法执行一个读取和分析操作，如果不调用这个方法，接下来的所有判断都是False
        这个方法不返回任何内容
    '''
    return rp


'''
    以上方法也等价于
    import urllib.request as ur
    from urllib.request import RobotFileParser

    # 获取robots协议内容
    def get_robots(robot_url):
        """
        :param robot_url:
        :return:
        """
        
        rp = RobotFileParser()
        rp.parse(ur.urlopen(robot_url).read().decode('UTF-8'))
        return rp
'''

# can_fetch(use-agent, url)如果允许 user-agent 按照被解析 robots.txt 文件中的规则来获取 url 则返回 True
robot_url = "https://www.baidu.com/robots.txt"
rp = get_robots(robot_url=robot_url)
print(rp.can_fetch('Sogou News Spider', 'https://www.baidu.com'))

# modified()将最近一次获取 robots.txt 文件的时间设置为当前时间
rp.modified()
'''
    无返回内容
'''

# mtime()返回最近一次获取 robots.txt 文件的时间
print(rp.mtime())

# crawl_delay(useragent)为指定的 useragent 从 robots.txt 返回 Crawl-delay 形参
print(rp.crawl_delay(useragent='Sogou News Spider'))
'''
    如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误，则返回 None
    3.6版本新功能
'''

# request_rate(useragent)
# 以 named tuple RequestRate(requests, seconds) 的形式从 robots.txt 返回 Request-rate 形参的内容
print(rp.request_rate(useragent='Sogou News Spider'))
'''
    如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误，则返回 None
'''

# site_maps()以 list() 的形式从 robots.txt 返回 Sitemap 形参的内容
print(rp.site_maps())
'''
    如果此形参不存在或者此形参的 robots.txt 条目存在语法错误，则返回 None
    3.8版本新功能
'''