# 3.1.4 分析Robots協議 ## 1.說明 利用 Urllib 的 robotparser 模塊我們可以實現網站 Robots 協議的分析 ## 2. Robots協議 {#1-robots協議} Robots 協議也被稱作爬蟲協議、機器人協議，它的全名叫做網絡爬蟲排除標準（Robots Exclusion Protocol），用來告訴爬蟲和搜索引擎哪些頁面可以抓取，哪些不可以抓取。它通常是一個叫做 robots.txt 的文本文件，放在網站的根目錄下。 當搜索爬蟲訪問一個站點時，它首先會檢查下這個站點根目錄下是否存在 robots.txt 文件，如果存在，搜索爬蟲會根據其中定義的爬取范圍來爬取。如果沒有找到這個文件，那么搜索爬蟲便會訪問所有可直接訪問的頁面。 例如: ```text https://blog.csdn.net/robots.txt ``` robots.txt內容: ```text User-agent: * Disallow: /css/ Disallow: /images/ Disallow: /content/ Disallow: /ui/ Disallow: /js/ Sitemap: https://blog.csdn.net/s/sitemap/pcsitemapindex.xml ``` User-agent 描述了搜索爬蟲的名稱，在這里將值設置為 \*，則代表該協議對任何的爬取爬蟲有效 Disallow 指定了不允許抓取的目錄，比如上述例子中設置為/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，現在我們設置為 /public/ ，起到的作用是所有頁面不允許抓取，但是 public 目錄是可以抓取的 ## 3. 爬蟲名稱 {#2-爬蟲名稱} 大家可能會疑惑，爬蟲名是哪兒來的？為什么就叫這個名？其實它是有固定名字的了，比如百度的就叫做 BaiduSpider，下面的表格列出了一些常見的搜索爬蟲的名稱及對應的網站： | 爬蟲名稱 | 名稱 | 網站 | | :--- | :--- | :--- | | BaiduSpider | 百度 | www.baidu.com | | Googlebot | 谷歌 | www.google.com | | 360Spider | 360搜索 | www.so.com | | YodaoBot | 有道 | www.youdao.com | | ia\_archiver | Alexa | www.alexa.cn | | Scooter | altavista | www.altavista.com | ## 4. robotparser {#3-robotparser} 了解了什么是 Robots 協議之后，我們就可以使用 robotparser 模塊來解析 robots.txt 了。 robotparser 模塊提供了一個類，叫做 RobotFileParser。它可以根據某網站的 robots.txt 文件來判斷一個爬取爬蟲是否有權限來爬取這個網頁。 語法聲明: ```text urllib.robotparser.RobotFileParser(url='') ``` 使用這個類的時候非常簡單，只需要在構造方法里傳入 robots.txt的鏈接即可。當然也可以聲明時不傳入，默認為空，再使用 set\_url\(\) 方法設置一下也可以。 有常用的幾個方法分別介紹一下： * set\_url\(\)，用來設置 robots.txt 文件的鏈接。如果已經在創建 RobotFileParser 對象時傳入了鏈接，那就不需要再使用這個方法設置了。 * read\(\)，讀取 robots.txt 文件并進行分析，注意這個函數是執行一個讀取和分析操作，如果不調用這個方法，接下來的判斷都會為 False，所以一定記得調用這個方法，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 文件，傳入的參數是 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\(\)，方法傳入兩個參數，第一個是 User-agent，第二個是要抓取的 URL，返回的內容是該搜索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，這個對于長時間分析和抓取的搜索爬蟲是很有必要的，你可能需要定期檢查來抓取最新的 robots.txt。 * modified\(\)，同樣的對于長時間分析和抓取的搜索爬蟲很有幫助，將當前時間設置為上次抓取和分析 robots.txt 的時間。 實例: ```text from urllib.robotparser import RobotFileParser rp = 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")) ``` 以簡書為例，我們首先創建 RobotFileParser 對象，然后通過 set\_url\(\) 方法來設置了 robots.txt 的鏈接。當然不用這個方法的話，可以在聲明時直接用如下方法設置： ```text rp = RobotFileParser('http://www.jianshu.com/robots.txt') ``` 利用 can\_fetch\(\) 方法來判斷了網頁是否可以被抓取 運行結果: ```text False False ``` 可以使用 parser\(\) 方法執行讀取和分析 實例: ```text from urllib.robotparser import RobotFileParser from urllib.request import urlopen rp = RobotFileParser() rp.parse(urlopen('https://blog.csdn.net/robots.txt').read().decode('utf-8').split('\n')) print(rp.can_fetch('*', 's://blog.csdn.net/Linear_Luo/article/details/52231550')) ``` 運行結果: ```text True ``` tips:一般都不會用這個