1. Robots协议的作用与形式
Robots全称为Robot Exclusion Standard ,即网络爬虫排除标准
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
(如果无robots.txt文件,可以随便爬取该网站的任何内容)
2. Robots协议基本语法
# 注释,*代表所有,/代表根目录
User-agent: *
Disallow: /
3. Robots协议的使用
网络爬虫:自动或人工识别robots.txt文件,在进行内容爬取
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
4. 对Robots协议的理解
访问量很小:可以遵守 访问量较大:建议遵守 |
非商业且偶然:建议遵守 商业利益:必须遵守 |
必须遵守 |
爬取网页 玩转网页 | 爬取网站 爬取系列网站 | 爬取全网 |
(如果一天访问几次或者一小时访问一次,这种不频繁的爬取,可以不遵守Robots协议)
5. 案例:京东的Robots协议
User-agent: *
Disallow: /?*
Disallow: /pop/*.html
Disallow: /pinpai/*.html?*
User-agent: EtaoSpider
Disallow: /
User-agent: HuihuiSpider