Python_爬虫2_爬虫引发的问题

目录

爬虫引发的问题

网络爬虫的尺寸

网络爬虫引发的问题

网络爬虫的限制

Robots协议

Robots协议的遵守方式

Robots的使用

对Robots协议的理解

爬虫引发的问题

网络爬虫的尺寸

• 爬取网页，玩转网页：

小规模，数据量小，爬取速度不敏感。Requests库

• 爬取网站，爬取系列网站：

中规模，数据规模较大，爬取速度敏感。Scrapy库

• 爬取全网：

大规模，搜索引擎，爬取速度关键。定制开发

网络爬虫引发的问题

骚扰问题、法律风险、隐私泄露

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，之相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。

Robots协议

Robots Exclusion Standard 网络爬虫排除标准

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。

案例：京东的Robots协议

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

# 对于任何的网络爬虫来源，遵守如下协议
User-agent: * 
# Disallow 表示不允许访问
Disallow: /?* 			
Disallow: /pop/*.html 
Disallow: /pinpai/*.html?* 
# 以下四个网络爬虫不允许爬取任何资源
User-agent: EtaoSpider 		
Disallow: / 
User-agent: HuihuiSpider 
Disallow: / 
User-agent: GwdangSpider 
Disallow: / 
User-agent: WochachaSpider 
Disallow: /

基本协议语法：

# 注释
* 代表所有
./代表根目录
User-agent: *		# 代表的是那些爬虫
Disallow: /			# 代表不允许爬虫访问的目录

其他网站的一些Robots协议（但并不是所有网站都有robots协议）：

• 百度：http://www.baidu.com/robots.txt
• 新浪新闻：http://news.sina.com.cn/robots.txt
• 腾讯：http://www.qq.com/robots.txt
• 腾讯新闻：http://news.qq.com/robots.txt
• 国家教育部：http://www.meo.edu.cn/robots.txt （注：无robots协议）

Robots协议的遵守方式

Robots的使用

网络爬虫：自动或人工识别robots.txt，再进行内容爬取。

约束性：Robots协议是建议但非约束性，网络爬虫可以不遵守，但存在法律风险。

对Robots协议的理解

• 爬取网页，玩转网页：

访问量很小：可以遵守

访问量较大：建议遵守

• 爬取网站，爬取系列网站：

非商业且偶尔：建议遵守

商业利益：必须遵守

• 爬取全网：

必须遵守