当搜索爬虫访问一个站点时,它首先会检讨这个站点根目录下是否存在robots.txt文件,如果存在,搜索爬虫会根据个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许可爬取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定,但至少须要指定一条。
Disallow指定了不许可抓取的目录,比如上例子中设置为/则代表不许可抓取所有页面。
Allow一样平常和Disallow一起利用,一样平常不会单独利用,用来打消某些限定。现在我们设置为/public/,则表示所有页面不许可抓取,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: /
许可所有爬虫访问任何目录的代码如下:
User-agent: Disallow:
其余,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/
只许可某一个爬虫访问的代码如下:
User-agent: WebCrawlerDisallow:User-agent: Disallow: /
这些是robots.txt的一些常见写法。
爬虫名称大家可能会迷惑,爬虫名是哪儿来的?为什么就叫这个名?实在它是有固定名字的了,比如百度的就叫作BaiduSpider。表3-1列出了一些常见的搜索爬虫的名称及对应的网站。
表3-1 一些常见搜索爬虫的名称及其对应的网站
robotparser
理解Robots协议之后,我们就可以利用robotparser模块来解析robots.txt了。该模块供应了一个类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。
该类用起来非常大略,只须要在布局方法里传入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,末了再利用set_url()方法设置一下也可。
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工具时传入了链接,那么就不须要再利用这个方法设置了。
read():读取robots.txt文件并进行剖析。把稳,这个方法实行一个读取和剖析操作,如果不调用这个方法,接下来的判断都会为False,以是一定记得调用这个方法。这个方法不会返回任何内容,但是实行了读取操作。
parse():用来解析robots.txt文件,传入的参数是robots.txt某些行的内容,它会按照robots.txt的语法规则来剖析这些内容。
can_fetch():该方法传入两个参数,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剖析robots.txt的韶光,这对付永劫光剖析和抓取的搜索爬虫是很有必要的,你可能须要定期检讨来抓取最新的robots.txt。
modified():它同样对永劫光剖析和抓取的搜索爬虫很有帮助,将当前韶光设置为上次抓取和剖析robots.txt的韶光。
下面我们用实例来看一下:
from urllib.robotparser import RobotFileParserrp = RobotFileParser()rp.set_url('http://www.jianshu.com/robots.txt')rp.read()print(rp.can_fetch('', 'http://www.jianshu.com/p/b67554025d7d'))print(rp.can_fetch('', "http://www.jianshu.com/search?q=python&page=1&type=collections"))
这里以简书为例,首先创建RobotFileParser工具,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:
rp = RobotFileParser('http://www.jianshu.com/robots.txt')
接着利用can_fetch()方法判断了网页是否可以被抓取。
运行结果如下:
TrueFalse
这里同样可以利用parse()方法实行读取和剖析,示例如下:
from urllib.robotparser import RobotFileParserfrom urllib.request import urlopenrp = RobotFileParser()rp.parse(urlopen('http://www.jianshu.com/robots.txt').read().decode('utf-8').split('\n'))print(rp.can_fetch('', 'http://www.jianshu.com/p/b67554025d7d'))print(rp.can_fetch('', "http://www.jianshu.com/search?q=python&page=1&type=collections"))
运行结果一样:
TrueFalse
本节先容了robotparser模块的基本用法和实例,利用它,我们可以方便地判断哪些页面可以抓取,哪些页面不可以抓取。
【上节】「从零开始Python爬虫」3.1.3 如何利用urllib库解析链接