Linux企业级项目实践之网络爬虫（29）——遵守robots.txt

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。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。

Robots协议用来告知搜索引擎哪些页面能被抓取，哪些页面不能被抓取；可以屏蔽一些网站中比较大的文件，如：图片，音乐，视频等，节省服务器带宽；可以屏蔽站点的一些死链接。方便搜索引擎抓取网站内容；设置网站地图连接，方便引导蜘蛛爬取页面。

文件写法

User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符

Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录

Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录

Disallow: /ABC/ 这里定义是禁止爬寻ABC目录下面的目录

Disallow: /cgi-bin/*.htm 禁止访问/cgi-bin/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问号(?) 的网址

Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的图片

Disallow:/ab/adc.html 禁止爬取ab文件夹下面的adc.html文件。

Allow: /cgi-bin/　这里定义是允许爬寻cgi-bin目录下面的目录

Allow: /tmp 这里定义是允许爬寻tmp的整个目录

Allow: .htm$ 仅允许访问以".htm"为后缀的URL。

Allow: .gif$ 允许抓取网页和gif格式图片

Sitemap: 网站地图 告诉爬虫这个页面是网站地图

//解析robots文本
void parseRobots()
{
   char key [32];
   char value [100];
   int i,j;
   int posl = 0, posm = 0 ,posr =0;
   int len = strlen(robotstxt);
   bool hasAgent = false;

   while(posl<len && posm<len && posr<len)
    {
       //找到第一个不为空格和换行符的字符位置，确定posl
       while(posl<len && (robotstxt[posl]==' '
                || robotstxt[posl]=='\n' ||robotstxt[posl]=='\r')) posl++;
       //以#开头的，直接过滤掉该行
       if(robotstxt[posl]=='#')
       {
           while(posl<len && robotstxt[posl]!='\n') posl++;
           continue;
       }
       //找‘：’,确定posm
       posm = posl+1;
       while(posm<len && robotstxt[posm]!=':') posm++;
       //找换行符位置，确定posr
       posr = posm+1;
       while(posr<len && robotstxt[posr]!='\n') posr++;

       for(j=0,i=posl;i<posm;i++)
       {
           if(robotstxt[i]!=''&&robotstxt[i]!='\t'&&robotstxt[i]!='\r'&&robotstxt[i]!='\n')
                key[j++] = robotstxt[i];
       }
       key[j] = '\0';
       for(j=0,i=posm+1;i<posr;i++)
       {
           if(robotstxt[i]!=''&&robotstxt[i]!='\t'&&robotstxt[i]!='\r'&&robotstxt[i]!='\n')
                value[j++] = robotstxt[i];
       }
       value[j]='\0';
       posl = posr;

       if(strcmp(strlwr(key),"user-agent")==0){
           if(strcmp(value,"*")==0||strcmp(value,"webcrawler")==0)
           {
                hasAgent = true;
           }
           else hasAgent = false;
       }
       if(hasAgent)
       {
           int len_val = strlen(value);
           if(len_val<=0) continue;
           if(strcmp(strlwr(key),"disallow")==0 &&disallow_size<MAXDISALLOW)
           {
                disallow[disallow_size] = newchar [len_val+1];
               strcpy(disallow[disallow_size],strlwr(value));
                disallow_size++;
           }
           else if (strcmp(strlwr(key),"allow")==0 &&allow_size<MAXDISALLOW)
           {
                allow[allow_size] = new char[len_val+1];
               strcpy(allow[allow_size],strlwr(value));
                allow_size++;
           }
           else if(strcmp(strlwr(key),"craw-delay")==0)
           {
                crawldelay = 0;
                int len_val = strlen(value);
                for(int i=0;i<len_val;i++)
                {
                    crawldelay = crawldelay *10 + value[i]-'0';
                }
           }
       }
    }
}