利用 Urllib 的 robotparser 模块我们可以实现网站 Robots 协议的分析,本节我们来简单了解一下它的用法。
1. Robots协议
Robots 协议也被称作爬虫协议、机器人协议,它的全名叫做网络爬虫排除标准(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。它通常是一个叫做 robots.txt 的文本文件,放在网站的根目录下。
当搜索爬虫访问一个站点时,它首先会检查下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,那么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/
以上的两行实现了对所有搜索爬虫只允许爬取 public目录的作用。
如上简单的两行,保存成 robots.txt 文件,放在网站的根目录下,和网站的入口文件放在一起。比如 index.php、index.html、index.jsp 等等。
那么上面的 User-agent 就描述了搜索爬虫的名称,在这里将值设置为 *,则代表该协议对任何的爬取爬虫有效。比如我们可以设置:
User-agent: Baiduspider
Python资源分享qun 784758214 ,内有安装包,PDF,学习视频,这里是Python学习者的聚集地,零基础,进阶,都欢迎
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 Us