robots.txt快速抓取網站的小竅門是什么

今天就跟大家聊聊有關robots.txt快速抓取網站的小竅門是什么，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

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文件，有時會給你打開另一扇抓取之門。

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文件。

舉個栗子：

老板給你布置一個任務，把豆瓣每天新產生的影評，書評，小組帖子，同城帖子，個人日志抓取下來。

初想一下，這任務得有多大，豆瓣有1.6億注冊用戶，光是抓取個人日志這一項任務，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

當老板給你了上面的任務，靠著你這一兩桿槍，你怎么完成，別給老板講技術，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文件

打開sitemap_updated_index文件看一下：

里面是一個個壓縮文件，文件里面是豆瓣頭一天新產生的影評，書評，帖子等等，感興趣的可以去打開壓縮文件看一下。

也就是說每天你只需要訪問這個robots.txt里的sitemap文件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鏈接，極大節約了你的抓取時間和爬蟲設計復雜度，也降低了豆瓣網站的帶寬消耗，這是雙贏啊，哈哈。

上面通過robots.txt的sitemap文件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：

老板又給你一個任務，老板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信息抓取下來。

看著這么多IP你正留著口水，但是分析網站后發現這類網站的抓取入口很少(抓取入口是指頻道頁，聚合了很多鏈接的那種頁面)。

很容易就把儲備的URL抓完了，干看著這么多IP工作不飽滿。

如果一次性能找到這個網站幾萬乃至幾十萬個URL放進待抓隊列里，就可以讓這么多IP工作飽滿起來，不會偷懶了。

我們來看他的robots.txt文件：

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

打開紅框處的sitemap，里面有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里的幾萬個公司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復雜度，又降低了對方的帶寬消耗。

看完上述內容，你們對robots.txt快速抓取網站的小竅門是什么有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業資訊頻道，感謝大家的支持。