Python网络爬虫与信息提取(二):Robots协议与爬虫实例

1.网络爬虫引发的问题

网络爬虫的尺寸	描述	支持库	占比
小规模，数据量小，爬取速度不敏感	爬取网页 玩转网页	Requests库	>90%
中规模，数据规模较大，爬取速度敏感	爬取网站 爬取系列网站	Scrapy库
大规模，搜索引擎，爬取速度敏感	爬取全网	定制开发

网络爬虫的“骚扰”

• 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。

网络爬虫的法律风险

• 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

网络爬虫泄露隐私

• 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。

2.网络爬虫的限制

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

• 告知所有爬虫网址的爬取策略，要求爬虫遵守。

3.Robots协议

Robots Exclusion Protocol 网络爬虫排除标准
作用：网站告知网络爬虫哪些网页可以抓取，哪些不行。
形式：在网站根目录下的robots.txt文件

Robots协议基本语法

# 注释，*代表所有，/代表根目录
User-agent：*
Disallow：/

4.Robots协议的遵守方式

Robots协议的使用

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，

对Robots协议的理解

类型	访问特征	是否遵守
爬取网页 玩转网页	访问量很小	可以遵守
爬取网页 玩转网页	访问量较大	建议遵守
爬取网站 爬取系列网站	非商业且偶尔	建议遵守
爬取网站 爬取系列网站	商业利益	必须遵守
爬取全网		必须遵守

如果爬虫类人行为爬取数据可不参考robots协议

5.网络爬虫的几个实例

实例：1.京东商品页面爬取

import requests

url = "https://item.jd.com/100008348542.html"
try:
    r = requests.get(url)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    requests
    print(r.text[:1000])#只显示前1000个字符
except requests.HTTPError:
    print("爬取失败")

实例：2.亚马逊商品页面爬取(添加浏览器标识，好像已不适用)

import requests

url = "https://www.amazon.cn/dp/B07K14XKZH"
try:
    kv = {
     'user-agent': 'Mozilla/5.0'}
    r = requests.get(url, headers=kv)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text)
except requests.HTTPError:
    print("爬取失败")

实例：3.百度/360搜索关键词提交

百度的关键词接口：

http://www.baidu.com/s?wd=keyword

import requests

url = "http://www.baidu.com/s"
try:
    kv = {
     'wd': 'python'}
    r = requests.get(url, params=kv)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except requests.HTTPError:
    print("爬取失败")

360的关键词接口：

http://www.so.com/s?q=keyword

import requests

url = "http://www.so.com/s"
try:
    kv = {
     'q': 'python'}
    r = requests.get(url, params=kv)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except requests.HTTPError:
    print("爬取失败")

实例：4.网络图片的爬取和存储

网络图片链接格式：

http://www.example.com/picture.jpg

import requests
import os

root = "F:/pc/"
url = "https://www.python.org/static/img/python-logo.png"
path = root + url.split("/")[-1]# 图面的原文件名
try:
    if not os.path.exists(root):#判断目录是否存在
        os.makedirs(root)
    if not os.path.exists(path):#判断目录中同名是否存在
        r = requests.get(url)
        with open(path, 'wb') as f:
            f.write(r.content)
            f.close()
            print("文件已保存")
    else:
        print("文件已存在")
except requests.HTTPError:
    print("爬取失败")

实例：5.IP地址归属地的自动查询

ip138网页提供IP地址归属地查询
查询接口为

http://ip138.com/ips138.asp?ip=ipaddress

import requests

url = "http://ip138.com/ips138.asp?ip="
try:
    r = requests.get(url + "202.204.80.112")
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[-3000:-2000])
except requests.HTTPError:
    print("爬取失败")