爬蟲時IP總是被封？我來教你一招
在我抓取網站遇到瓶頸，想劍走偏鋒去解決時，常常會先去看下該網站的 robots.txt 檔案，有時會給你開啟另一扇抓取之門。
寫爬蟲有很多苦惱的事情，比如：
1.訪問頻次太高被限制;
2.如何大量發現該網站的 URL;
3.如何抓取一個網站新產生的 URL，等等;
這些問題都困擾著爬蟲選手，如果有大量離散 IP 和賬號，這些都不是問題，但是絕大部分公司都不具備這個條件的。
我們在工作中寫的爬蟲大多是一次性和臨時性的任務，需要你快速完成工作就好，當遇到上面情況，試著看下 robots.txt 檔案。
舉個栗子：
老闆給你佈置一個任務，把豆瓣每天新產生的影評，書評，小組帖子，同城帖子，個人日誌抓取下來。
初想一下，這任務得有多大，豆瓣有 1.6 億註冊使用者，光是抓取個人日誌這一項任務，每個人的主頁你至少每天要訪問一次。
這每天就得訪問 1.6 億次，小組/同城帖子等那些還沒算在內。
設計一個常規爬蟲，靠著那幾十個 IP 是完不成任務的。
初窺robots.txt
當老闆給你了上面的任務，靠著你這一兩杆槍，你怎麼完成，別給老闆講技術，他不懂，他只想要結果。
我們來看下豆瓣的 robots.txt。
https://www.douban.com/robots.txt
看圖片上面紅框處，是兩個 sitemap 檔案
開啟 sitemap_updated_index 檔案看一下：
裡面是一個個壓縮檔案，檔案裡面是豆瓣頭一天新產生的影評，書評，帖子等等，感興趣的可以去開啟壓縮檔案看一下。
也就是說每天你只需要訪問這個 robots.txt 裡的 sitemap 檔案就可以知道有哪些新產生的 URL。
不用去遍歷豆瓣網站上那幾億個連結，極大節約了你的抓取時間和爬蟲設計複雜度，也降低了豆瓣網站的頻寬消耗，這是雙贏啊，哈哈。
上面通過 robots.txt 的 sitemap 檔案找到了抓取一個網站新產生 URL 的偏方。沿著該思路也能解決發現網站大量 URL 的問題。
再舉個栗子：
老闆又給你一個任務，老闆說上次抓豆瓣你說要大量 IP 才能搞定抓豆瓣每天新產生的帖子，這次給你 1000 個 IP 把天眼查上的幾千萬家企業工商資訊抓取下來。
看著這麼多 IP 你正留著口水，但是分析網站後發現這類網站的抓取入口很少(抓取入口是指頻道頁，聚合了很多連結的那種頁面)。
很容易就把儲備的 URL 抓完了，幹看著這麼多 IP 工作不飽滿。
如果一次效能找到這個網站幾萬乃至幾十萬個 URL 放進待抓佇列裡，就可以讓這麼多 IP 工作飽滿起來，不會偷懶了。
我們來看他的robots.txt檔案：
https://www.tianyancha.com/robots.txt
開啟紅框處的 sitemap，裡面有 3 萬個公司的 URL，上圖是 1 月 3 號生成的，那個URL 是根據年月日生成的，你把 URL 改成 1 月 2 號，又能看到 2 號的sitemap裡的幾萬個公司 URL，這樣就能發現十幾萬個種子 URL 供你抓取了。
PS：上面的 sitemap 其實也能解決抓取天眼查最近更新的，新產生 URL 的問題。
小小的一個取巧，既降低了爬蟲設計的複雜度，又降低了對方的頻寬消耗。
這在工作中非常適用，工作中不會在意你用的框架多好，只在意你做事的快慢和好壞。
善於看 robots.txt 檔案你會發現一些別有洞天的東西。