Python爬虫从入门到精通——请求库Urllib的使用（四）：Robots协议

分类目录：《Python爬虫从入门到精通》总目录

请求库Urllib的使用（一）：发送请求
请求库Urllib的使用（二）：处理异常
请求库Urllib的使用（三）：解析链接
请求库Urllib的使用（四）：Robots协议

利用urllib的robotparser模块，我们可以实现网站Robots协议的分析。Robots协议也称作爬虫协议、机器人协议，它的全名叫作网络爬虫排除标准（Robots Exclusion Protocol），用来告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取。它通常是一个叫作“robots.txt”的文本文件，一般放在网站的根目录下。

当搜索爬虫访问一个站点时，它首先会检查这个站点根目录下是否存在“robots.txt”文件，如果存在，搜索爬虫会根据其中定义的爬取范围来爬取。如果没有找到这个文件，搜索爬虫便会访问所有可直接访问的页面。

下面我们看一个“robots.txt”的样例：

User-agent: *
Disallow: /
Allow: /public/

这实现了对所有搜索爬虫只允许爬取public目录的功能，将上述内容保存成“robots.txt”文件，放在网站的根目录下，和网站的入口文件（比如index.php、index.html和index.jsp等）放在一起。上面的User-agent描述了搜索爬虫的名称，这里将其设置为* 则代表该协议对任何爬取爬虫有效。比如，我们可以设置：

User-agent: Baiduspider

这就代表我们设置的规则对百度爬虫是有效的。如果有多条User-agent记录，则就会有多个爬虫会受到爬取限制，但至少需要指定一条。Disallow指定了不允许抓取的目录，比如上例子中设置为/则代表不允许抓取所有页面。Allow一般和Disallow一起使用，一般不会单独使用，用来排除某些限制。现在我们设置为/public/，则表示所有页面不允许抓取，但可以抓取public目录。下面我们再来看几个例子。禁止所有爬虫访问任何目录的代码如下：

User-agent:*
Disallow:/

允许所有爬虫访问任何目录的代码如下：

User-agent:*
Disallow：

另外，直接把“robots.txt”文件留空也是可以的。禁止所有爬虫访问网站某些目录的代码如下：

User-agent:*
Disallow:/private/
Disallow:/tmp/

只允许某一个爬虫访问的代码如下：

User-agent:webCrawler Disallow：User-agent:*
Disallow:/

了解Robots协议之后，我们就可以使用robotparser 模块来解析“robots.txt”了。该模块提供了一个类RobotFileParser，它可以根据某网站的“robots.txt”文件来判断一个爬取爬虫是否有权限来爬取这个网页。该类用起来非常简单，只需要在构造方法里传入“robots.txt”的链接即可。首先看一下它的声明：

urllib.robotparser.RobotFileParser(url='')

当然，也可以在声明时不传入，默认为空，最后再使用set_url()方法设置一下也可以。下面列出了这个类常用的几个方法。

• set_url()：用来设置“robots.txt”文件的链接。如果在创建RobotFileParser对象时传入了链接，那么就不需要再使用这个方法设置了。
• read()：读取“robots.txt”文件并进行分析。这个方法执行一个读取和分析操作，如果不调用这个方法，接下来的判断都会为False，所以一定记得调用这个方法。这个方法不会返回任何内容，但是执行了读取操作。
• parse()：用来解析“robots.txt”文件，传人的参数是“robots.txt”某些行的内容，它会按照“robots.txt”的语法规则来分析这些内容。
• can_fetch()：该方法传人两个参数，第一个是User-agent，第二个是要抓取的URL。返回的内容是该搜索引擎是否可以抓取这个URL，返回结果是True或False。
• mtime()：返回的是上次抓取和分析“robots.txt”的时间，这对于长时间分析和抓取的搜索爬虫是很有必要的，你可能需要定期检查来抓取最新的“robots.txt”。
• modified()：它同样对长时间分析和抓取的搜索爬虫很有帮助，将当前时间设置为上次抓取和分析“robots.txt”的时间。

这里以简书为例，分析Robots协议：

 from urllib.robotparser import RobotFileParser

robotparser = RobotFileParser()
robotparser.set_url('https://www.jianshu.com/robots.txt')
robotparser.read()
print(robotparser.can_fetch('*', 'https://www.jianshu.com/'))

首先创建RobotFileParser对象，然后通过set_url()方法设置了“robots.txt”的链接。当然，不用这个方法的话，可以在声明时直接用如下方法设置：

robotparser = RobotFileParser（"http://ww.jianshu.com/robots.txt"）

接着利用can_fetch()方法判断了网页是否可以被抓取。
运行结果：

False

这里同样可以使用parse()方法执行读取和分析。

from urllib.robotparser import RobotFileParser
from urllib.request import urlopen

robotparser = RobotFileParser()
robotparser.parse(urlopen('https://www.jianshu.com/robots.txt').read().decode('utf-8').split('\n'))
print(robotparser.can_fetch('*', 'https://www.jianshu.com/'))

运行结果同上：

False