robots.txt协议——网络爬虫的“盗亦有道”

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。

　　　　实际上HTTP协议头是可以通过技术上进行伪造。

　　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协议(Robots Exclusion standard)网络爬虫排除标准

robots协议也叫robots.txt(统一小写)是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉爬虫，此网站中的哪些内容是不应被爬虫获取的，哪些是可以被爬虫获取的。

　　基本语法：

　　User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符

　　Disallow: /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

Tip：并不是所有的网站都有robots协议，如果这个网站没有Robots协议，根据协议任何爬虫都可以爬取该网站的任何信息。

robots协议是建议但非约束性，网络爬虫可以不遵守，但存在一定法律风险。

根据工程师的道德规范，应先自动或人工识别robots.txt协议后，再进行内容爬取。

类人行为可不参考 robots协议