Python3網絡爬蟲實戰-23、使用Urllib：分析Robots協議

利用 Urllib 的 robotparser 模塊我們可以實現網站 Robots 協議的分析，本節我們來簡單了解一下它的用法。

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。

下面我們看一個 robots.txt 的樣例：

User-agent: *
Disallow: /
Allow: /public/
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

以上的兩行實現了對所有搜索爬蟲只允許爬取 public目錄的作用。

如上簡單的兩行，保存成 robots.txt 文件，放在網站的根目錄下，和網站的入口文件放在一起。比如 index.php、index.html、index.jsp 等等。

那么上面的 User-agent 就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。比如我們可以設置：

User-agent:?Baiduspider
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

這就代表我們設置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。

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。

下面我們再來看幾個例子感受一下：
禁止所有爬蟲訪問任何目錄

User-agent: * 
Disallow: /

允許所有爬蟲訪問任何目錄

User-agent: *
Disallow:

或者直接把 robots.txt 文件留空也是可以的。
禁止所有爬蟲訪問網站某些目錄

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

只允許某一個爬蟲訪問

User-agent: WebCrawler
Disallow:
User-agent: *
Disallow: /
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

以上是 robots.txt 的一些常見寫法。

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：

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。

使用非常簡單，首先看一下它的聲明

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。

以上是這個類提供的所有方法，下面我們用實例來感受一下：

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：

rp = RobotFileParser('http://www.jianshu.com/robots.txt')

下一步利用了 can_fetch() 方法來判斷了網頁是否可以被抓取。

運行結果：

True
False

同樣也可以使用 parser() 方法執行讀取和分析。

用一個實例感受一下：

from urllib.robotparser import RobotFileParser
from urllib.request import urlopen

rp = 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"))
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

運行結果一樣：

True
False
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

4. 結語

以上介紹了 robotparser 模塊的基本用法和實例講解，利用它我們就可以方便地判斷哪些頁面可以抓取哪些不可以了。