网络爬虫 robots协议 robots.txt

网络爬虫

网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要
组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，
不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。聚焦爬虫的工作流程较为
复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取
的URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述
过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定
的分析、过滤，并建立索引，以便之后的查询和检索；对于聚焦爬虫来说，这一过程所得到的分析
结果还可能对以后的抓取过程给出反馈和指导。

爬虫问题

1）骚扰问题

2）法律风险

3）隐私泄露

Robots协议

robots是网站跟爬虫间的协议，用简单直接的txt格式文本方式告诉对应的爬虫被允许的权限，

也就是说robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。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。

例如：京东的Robots.txt

 User-agent: *

 Disallow: /?*

 Disallow: /pop/*.html

 Disallow: /pinpai/*.html?*

 User-agent: EtaoSpider

 Disallow: /

 User-agent: HuihuiSpider

 Disallow: /

 User-agent: GwdangSpider

 Disallow: /

 User-agent: WochachaSpider

 Disallow: /

语法格式:

User-agent:

该项的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，
如果有多条User-agent记录说明有多个robot会受到该协议的限
制，对该文件来说，至少要有一条User-agent记录。如果该项
的值设为*，则该协议对任何机器人均有效，在"robots.txt"文件
中，"User-agent:*"这样的记录只能有一条。

Disallow:

该项的值用于描述不希望被访问到的一个URL，这个URL可以是一
条完整的路径，也可以是部分的，任何以Disallow开头的URL均不
会被robot访问到。例如"Disallow:/help"对/help.html 和/help/index.html
都不允许搜索引擎访问，而"Disallow:/help/"则允许robot访问/help.html，
而不能访问/help/index.html。任何一条Disallow记录为空，说明
该网站的所有部分都允许被访问，在"/robots.txt"文件中，至少要
有一条Disallow记录。如果"/robots.txt"是一个空文件，则对于所
有的搜索引擎robot，该网站都是开放的。

Allow:

该项的值用于描述希望被访问的一组URL，与Disallow项相似，这个
值可以是一条完整的路径，也可以是路径的前缀，以Allow项的值开
头的URL是允许robot访问的。例如"Allow:/hibaidu"允许robot访
问/hibaidu.htm、/hibaiducom.html、/hibaidu/com.html。一
个网站的所有URL默认是Allow的，所以Allow通常与Disallow搭配
使用，实现允许访问一部分网页同时禁止访问其它所有URL的功能。

需要特别注意的是Disallow与Allow行的顺序是有意义的，robot会

根据第一个匹配成功的Allow或Disallow行确定是否访问某个URL。

查看网站是否有robots协议的方法

直接在主域名ＵＲＬ上robots.txt

例如上面的京东 https://www.jd.com/robots.txt