《Python网络爬虫》2.3 Robots协议的遵守方式

By 一页编程

---

在实际操作中我们这样的爬虫该如何遵守robots协议呢？

Robots协议的使用

对于任何网络爬虫来讲，它应该能够自动或人工的识别robots.txt文件，根据文件的内容再进行爬取。
即使不写这样的代码，我们也应该可以打开某一个网站，看一下它的robots协议根据它的规则来进行合理的爬取。

然而robots协议是建议但非约束性的，也就是说网络爬虫可以不遵守robots协议，但是要记住，如果不遵守这个协议，可能存在法律风险。

对Robots协议使用的理解

这里边给出我个人理解。

其实对于任何一个网络爬虫来讲，都应该遵守robots协议。比如爬取全网的搜索引擎的爬虫、爬取某些网站进行商品比价数据获取分析的爬虫、我们爬取某些个别网页的爬虫，这些都应该遵守robots建议。

但是有一种情况可以适度考虑。比如我们写一些小程序，每天只访问服务器几次，并对服务器不造成巨大的资源影响，而这种访问跟人类访问的行为非常类似，这种情况下我们可以不参考robots协议。

因为任何网络网站提供资源，它都是方便人类获取相关的信息。如果你的网络爬虫能够和人类获取相关的信息相依相一致，访问的次数很少，每次访问的内容也不大，在这种情况下原则上可以不遵守Robots协议。

总结

1、网络爬虫会引发很多问题，针对这些问题，互联网设计了Robots协议。

2、Robots协议用基本的简单语法，包括User-agent和Disallow来约定一个网站的内容，哪些可以被爬取哪些不可以。

3、在我们编写网络爬虫的技术范畴内，所有的网络爬虫中都应该遵循robots协议，无论你是自动识别robots协议还是人工来看robots协议。

4、如果你的网络爬虫小到跟人类访问网站方式相类似，那你也可以不遵守，但是要注意你获取的资源，不能进行商业用途。

让我们一起来遵守互联网的网络，爬取资源的基本规则，让互联网可以健康有序的向前发展。