- 1、本文档共19页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
“
”
WS02
嵩天
robots.txt
网络爬虫排除标准
Requests
自动爬取HTML页面 自动网络请求提交
The Website is the API …
掌握定向网络数据爬取和网页解析的基本能力
网络爬虫与信息提取
O4X -Tian
爬取网页 玩转网页
爬取全网
爬取网站 爬取系列网站
小规模,数据量小 爬取速度不敏感 Requests库
中规模,数据规模较大 爬取速度敏感
Scrapy库
大规模,搜索引擎 爬取速度关键
定制开发
90%
Web服务器默认接收人类访问
受限于编写水平和目的,网络爬虫将会为Web服务器带来巨大的资源开销
服务器上的数据有产权归属
网络爬虫获取数据后牟利将带来法律风险
网络爬虫可能具备突破简单访问控制的能力,获得被保护数据 从而泄露个人隐私
性能骚扰 法律风险 隐私泄露
来源审查:判断User‐Agent进行限制
检查来访HTTP协议头的User‐Agent域,只响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 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
/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: /
# 注释,*代表所有,/代表根目录
User‐agent: * Disallow: /
Robots协议基本语法
/robots.txt
/robots.txt /robots.txt /robots.txt /robots.txt (无robots协议)
实际操作中,该如何遵守Robots协议?
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
爬取网页 玩转网页
爬取全网
爬取网站 爬取系列网站
访问量很小:可以遵守 访问量较大:建议遵守
非商业且偶尔:建议遵守 商业利益:必须遵守
必须遵守
原则:类人行为可不参考Robots协议
Robots协议的使用原则
# 注释,*代表所有,/代表根目录
User‐agent: * Disallow: /
Robots协议基本语法
您可能关注的文档
- 汉语学习计划.docx
- 半年减肥计划通用范本.docx
- 最新2021年教师信息技术培训计划.docx
- 海的女儿读后感800字以上.docx
- 高中部寒假德育作业.docx
- 黄绿墨耳菌的培育技术.docx
- 新教师的个人学习计划通用范本.docx
- 女生暑假减肥计划通用范本.docx
- 新班主任培养计划通用范本.docx
- 有关万圣节的高二作文500字.docx
- 四川省德阳市罗江中学2025届高三考前热身化学试卷含解析.doc
- 山东省枣庄现代实验学校2025届高三下学期第五次调研考试化学试题含解析.doc
- 吉林省长春市十一高中等九校教育联盟2025届高三一诊考试生物试卷含解析.doc
- 2025届江苏省盐城市伍佑中学高考仿真模拟化学试卷含解析.doc
- 2025届广西贺州中学高考冲刺押题(最后一卷)生物试卷含解析.doc
- 安徽省池州市贵池区2025届高三第一次模拟考试生物试卷含解析.doc
- 宁夏银川一中2025届高三(最后冲刺)化学试卷含解析.doc
- 广东省广州市增城区四校联考2025届高考压轴卷化学试卷含解析.doc
- 2025届邯郸市第一中学高考生物必刷试卷含解析.doc
- 2025届安徽省安庆市石化第一中学高考仿真卷化学试卷含解析.doc
文档评论(0)