Python-网络爬虫的盗亦有道

网络爬虫引发的问题

Robots协议

Robots协议的遵守

网络爬虫引发的问题

网络爬虫的尺寸

小规模，数据量小，爬取速读不敏感，Requests库，>90%; 爬去网页，玩转网页
中规模，数据规模大，爬去速读敏感，Scrapy库;爬取网站，爬取系列网站
大规模，搜索引擎，爬取速度关键，定制开发;爬取全网

性能骚扰

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

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

隐私泄露

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

扫描二维码关注公众号，回复： 11321716 查看本文章

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
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

#注释，*代表所有，/代表根目录

#京东的Robots协议
https://www.jd.com/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: /

案例:真实的Robots协议

https://www.baidu.com/robots.txt

http://news.sina.com.cn/robots.txt

https://www.qq.com/robots.txt

https://news.qq.com/robots.txt

http://www.moe.edu.cn/robots.txt (无robots协议)