一 Robots協議

1 點睛

Robots協議也稱作爬蟲協議、機器人協議，它的全名叫作網路爬蟲排除標準（Robots Exclusion Protocol），用來告訴爬蟲和搜尋引擎哪些頁面可以抓取，哪些不可以抓取。

它通常是一個叫作robots.txt的文字檔案，一般放在網站的根目錄下。

當搜尋爬蟲訪問一個站點時，它首先會檢查這個站點根目錄下是否存在robots.txt檔案，如果存在，搜尋爬蟲會根據其中定義的爬取範圍來爬取。如果沒有找到這個檔案，搜尋爬蟲便會訪問所有可直接訪問的頁面。

2 舉例1

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

3 說明1

這實現了對所有搜尋爬蟲只允許爬取public目錄的功能，將上述內容儲存成robots.txt檔案，放在網站的根目錄下，和網站的入口檔案（比如index.php、index.html和index.jsp等）放在一起。

Disallow指定了不允許抓取的目錄，比如上例子中設定為/則代表不允許抓取所有頁面。

Allow一般和Disallow一起使用，一般不會單獨使用，用來排除某些限制。現在我們設定為/public/，則表示所有頁面不允許抓取，但可以抓取public目錄。

4 舉例2

User-agent: Baiduspider

5 說明2

這就代表我們設定的規則對百度爬蟲是有效的。如果有多條User-agent記錄，則就會有多個爬蟲會受到爬取限制，但至少需要指定一條。

6 禁止所有爬蟲訪問任何目錄

User-agent: *
Disallow: /

7 允許所有爬蟲訪問任何目錄

User-agent: *
Disallow:

8 禁止所有爬蟲訪問網站某些目錄的程式碼如下：

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

9 只允許某一個爬蟲訪問的程式碼如下：

User-agent: WebCrawler
Disallow:
User-agent: *
Disallow: /
 

二 常見爬蟲名稱

三 robotparser

1 點睛

瞭解Robots協議之後，我們就可以使用robotparser模組來解析robots.txt了。該模組提供了一個類RobotFileParser，它可以根據某網站的robots.txt檔案來判斷一個爬取爬蟲是否有許可權來爬取這個網頁。

該類用起來非常簡單，只需要在構造方法裡傳入robots.txt的連結即可。

首先看一下它的宣告：

urllib.robotparser.RobotFileParser(url='')

當然，也可以在宣告時不傳入，預設為空，最後再使用set_url()方法設定一下也可。

2 RobotFileParser類的常見方法

• set_url()：用來設定robots.txt檔案的連結。如果在建立RobotFileParser物件時傳入了連結，那麼就不需要再使用這個方法設定了。

• read()：讀取robots.txt檔案並進行分析。注意，這個方法執行一個讀取和分析操作，如果不呼叫這個方法，接下來的判斷都會為False，所以一定記得呼叫這個方法。這個方法不會返回任何內容，但是執行了讀取操作。

• parse()：用來解析robots.txt檔案，傳入的引數是robots.txt某些行的內容，它會按照robots.txt的語法規則來分析這些內容。

• can_fetch()：該方法傳入兩個引數，第一個是User-agent，第二個是要抓取的URL。返回的內容是該搜尋引擎是否可以抓取這個URL，返回結果是True或False。

• mtime()：返回的是上次抓取和分析robots.txt的時間，這對於長時間分析和抓取的搜尋爬蟲是很有必要的，你可能需要定期檢查來抓取最新的robots.txt。

• modified()：它同樣對長時間分析和抓取的搜尋爬蟲很有幫助，將當前時間設定為上次抓取和分析robots.txt的時間。

3 程式碼

from urllib.robotparser import RobotFileParser
# 建立RobotFileParser物件
rp = RobotFileParser()
# 然後通過set_url()方法設定了robots.txt的連結。
rp.set_url('http://www.jianshu.com/robots.txt')
rp.read()
#can_fetch()方法判斷了網頁是否可以被抓取。
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"))

4 執行結果

E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/3_1_4.py
False
False