Python 爬虫-Robots协议

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python 爬虫-Robots协议相关的知识,希望对你有一定的参考价值。

2017-07-25 21:08:16

一、网络爬虫的规模

技术分享

二、网络爬虫的限制

? 来源审查:判断User‐Agent进行限制
  检查来访HTTP协议头的User‐Agent域,只响应浏览器或友好爬虫的访问
? 发布公告:Robots协议
  告知所有爬虫网站的爬取策略,要求爬虫遵守

三、Robots 协议

作用:网站告知网络爬虫哪些页面可以抓取,哪些不行
形式:在网站根目录下的robots.txt文件

如果网站不提供Robots协议则表示该网站允许任意爬虫爬取任意次数。

类人类行为原则上可以不遵守Robots协议

https://www.baidu.com/robots.txt
http://news.sina.com.cn/robots.txt

 

举例:

https://www.jd.com/robots.txt

User‐agent: *
Disallow: /?*
Disallow: /pop/*.html
Disallow: /pinpai/*.html?*
User‐agent: EtaoSpider
Disallow: /
User‐agent: HuihuiSpider
Disallow: /
User‐agent: GwdangSpider
Disallow: /
User‐agent: WochachaSpider
Disallow: /

# 注释,*代表所有,/代表根目录
User‐agent: *
Disallow: /

 





以上是关于Python 爬虫-Robots协议的主要内容,如果未能解决你的问题,请参考以下文章

Python爬虫的道德规范---robots协议

Python3网络爬虫实战-23使用Urllib:分析Robots协议

Python爬虫编程思想(16):Robots协议(不了解这个就是面向监狱编程了)

python3爬虫学习笔记

Python 网络爬虫与数据采集

查看 搜索引擎的robots协议 及其他 爬虫基础-2