反爬虫robots协议，处理方法

Robots协议

Robots：通过robots协议告诉搜索引擎那些页面可以抓取，那些页面不能抓取；
位置：根目录下，网址/robots.txt;
例如：
https://www.baidu.com/robots.txt
https://www.douban.com/robots.txt
得到如下结果：
User-agent: *
Disallow: /subject_search
Disallow: /amazon_search
Disallow: /search
Disallow: /group/search
Disallow: /event/search
Disallow: /celebrities/search
Disallow: /location/drama/search
Disallow: /forum/
Disallow: /new_subject
Disallow: /service/iframe
Disallow: /j/
Disallow: /link2/
Disallow: /recommend/
Disallow: /doubanapp/card
Disallow: /update/topic/
Disallow: /share/
Allow: /ads.txt
Sitemap: https://www.douban.com/sitemap_index.xml
Sitemap: https://www.douban.com/sitemap_updated_index.xml

User-agent: Wandoujia Spider
Disallow: /

User-agent: Mediapartners-Google
Disallow: /subject_search
Disallow: /amazon_search
Disallow: /search
Disallow: /group/search
Disallow: /event/search
Disallow: /celebrities/search
Disallow: /location/drama/search
Disallow: /j/

robots.txt 语法，说明

处理方法

在实际工作中，对一个网站进行爬取，要遵循Robots协议，这里有两种方法，

1. 就是在上述网站这样的形式，把文件下载下来，然后分析
   我们输入上面允许爬取的资源这里行 Sitemap: https://www.douban.com/sitemap_index.xml，得到如下结果：
   
   然后我们输入第一行的url 得到一个gz文件，解压缩，拖到pyCharm中，得到这样的：

<?xml version="1.0" encoding="utf-8"?>
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
  <url>
    <loc>https://www.douban.com/</loc>
    <priority>1.0</priority>
    <changefreq>daily</changefreq>
  </url>
  <url>
    <loc>https://www.douban.com/explore/</loc>
    <priority>0.9</priority>
    <changefreq>daily</changefreq>
  </url>
  <url>
    <loc>https://www.douban.com/online/</loc>
    <priority>0.9</priority>
    <changefreq>daily</changefreq>
  </url>
  <url>
    <loc>https://www.douban.com/group/</loc>
    <priority>0.9</priority>
    <changefreq>daily</changefreq>
  </url>
  <url>
    <loc>https://www.douban.com/group/all</loc>
    <priority>0.9</priority>
    <changefreq>weekly</changefreq>
  </url>
  <url>
    <loc>https://www.douban.com/group/category/1/</loc>
    <priority>0.9</priority>
    <changefreq>weekly</changefreq>
  </url>

如上，这只是一部分，这些网站里面就都是可以爬取的，如我们输入 https://www.douban.com/explore，可以得到这样一个页面，这个页面里面就都是可以爬取的。

2. 采用自带的库函数来解决

from urllib import robotparser//就是这个库
from urllib import request
from fake_useragent import UserAgent
gen = UserAgent()
hd ={'User-Agent':gen.random}

url = 'https://www.douban.com/robots.txt'
url1 = request.Request(url,headers=hd)
req = request.urlopen(url1)
con =req.read().decode('utf-8')
print(con)
robot = robotparser.RobotFileParser()
robot.set_url(url)
robot.read()
print(robot.can_fetch('*','/'))

这里输出的是true；

这里的*表示user-agent,表示任意一种，/表示根目录，，这里返回的是bool值

from urllib import robotparser

url = 'https://www.baidu.com/robots.txt'

robot = robotparser.RobotFileParser()
robot.set_url(url)
robot.read()
print(robot.can_fetch('Baiduspider','/'))

print(robot.can_fetch('Baiduspider','/baidu'))

一个目录是可以访问的，一个是不行的；