小白入门python网络爬虫和信息提取（二）——了解robots协议

小白入门python网络爬虫和信息提取（二）——了解robots协议

学习的时候了解到，网站对爬虫也是有一定限制的，有的网页不允许爬虫访问某个路径下的内容，有的网站不允许某些爬虫访问该网站。那么，就有robots协议来约束爬虫的访问。首先，看一下什么是robots协议：

Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

robots.txt文件是一个文本文件，使用任何一个常见的文本编辑器，比如Windows系统自带的Notepad，就可以创建和编辑它 [1] 。robots.txt是一个协议，而不是一个命令。robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。
当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议，仅当您的网站包含不希望被搜索引擎收录的内容时，才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容，请勿建立robots.txt文件。
如果将网站视为酒店里的一个房间，robots.txt就是主人在房间门口悬挂的“请勿打扰”或“欢迎打扫”的提示牌。这个文件告诉来访的搜索引擎哪些房间可以进入和参观，哪些房间因为存放贵重物品，或可能涉及住户及访客的隐私而不对搜索引擎开放。但robots.txt不是命令，也不是防火墙，如同守门人无法阻止窃贼等恶意闯入者。

查看网站的robots协议

每个网站的Robots协议都在该网站的根目录下，例如百度的Robots协议的位置就是’https://www.baidu.com/robots.txt’
以此为例，我们看一下百度的robots协议：
在浏览器地址栏键入’https://www.baidu.com/robots.txt’ 即可查看协议：
取前两个协议内容：

User-agent: Baiduspider
Disallow: /baidu
Disallow: /s?
Disallow: /ulink?
Disallow: /link?
Disallow: /home/news/data/

User-agent: Googlebot
Disallow: /baidu
Disallow: /s?
Disallow: /shifen/
Disallow: /homepage/
Disallow: /cpro
Disallow: /ulink?
Disallow: /link?
Disallow: /home/news/data/

用法

User-agent: 指被限制的爬虫名称，*指所有爬虫，如User-agent: Googlebot指对Googlebot的限制，而User-agent: *则表示对所有的爬虫的限制
Disallow: /admin/这里是指禁止爬取admin目录下面的目录
Disallow: /test/*.htm指禁止访问/test/目录下的所有以".htm"为后缀的URL(包含子目录)。
Disallow: /*?* 禁止访问网站中所有包含?的URL
Disallow: /.jpg$禁止抓取网页所有的.jpg格式的文件