Python爬虫--robots.txt文件采集网站数据(四)

一、常见问题

写爬虫有很多苦恼的事情，比如：
1.访问频次太高被限制；
2.如何大量发现该网站的URL；
3.如何抓取一个网站新产生的URL，等等；

这些问题都困扰着爬虫选手，如果有大量离散IP和账号，这些都不是问题，但是绝大部分公司都不具备这个条件的。

二、常用网站robots.txt

1. 豆瓣的robots.txt
   https://www.douban.com/robots.txt
   

   

   豆瓣的robots.txt
   
   里面是一个个压缩文件，文件里面是豆瓣头一天新产生的影评，书评，帖子等等，感兴趣的可以去打开压缩文件看一下。
   也就是说每天你只需要访问这个robots.txt里的sitemap文件就可以知道有哪些新产生的URL。

2. 天眼robots.txt
   https://www.tianyancha.com/robots.txt
   

   

   天眼robots.txt

三、Robots协议

  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。

1. 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