网络爬虫的行为准则

---

1. 网络爬虫引发的问题

问题	说明
性能骚扰	Web服务器默认接受人类访问 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

1. 网络爬虫的尺寸

小规模，数据量小	中规模，数据规模较大	大规模，搜索引擎
爬取速度敏感(>90%) Requests库	爬取速度敏感 Scrapy库	爬取速度关键 定制开发
爬取网页	爬取网站	爬取全网

3. 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

4. Robots协议

4.1 什么是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网页可以抓取，那些不行
形式：在网站根目录下的robots.txt文件

• 案例如下：哔哩哔哩的Robots协议(https://www.bilibili.com/robots.txt)

User-agent: *			# 允许所有用户爬取
Disallow: /include/		# 不允许爬取根目录下include目录的所有内容
Disallow: /mylist/		# 不允许爬取根目录下mylist目录的所有内容
Disallow: /member/		# ······
Disallow: /images/		# ······
Disallow: /ass/			# ······
Disallow: /getapi		# 不允许爬取根目录下带有所有前面带getapi的文件和文件夹
Disallow: /search		# ······
Disallow: /account		# ······
Disallow: /badlist.html	# 不允许爬取该文件
Disallow: /m/			# ······

4.2 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

小规模	中规模	大规模
访问量很小：可以遵守 访问量较大：建议遵守	非商业且偶尔：建议遵守 商业利益：必须遵守	必须遵守