Python3标准库：urllib.robotparser Internet蜘蛛访问控制

1. urllib.request网络资源访问

robotparser为robots.txt文件格式实现一个解析器，提供了一个函数来检查给定的用户代理是否可以访问一个资源。这个模块可以用于合法蜘蛛或者需要抑制或限制的其他爬虫应用中。

1.1 robots.txt

robots.txt文件格式是一个基于文本的简单访问控制系统，用于自动访问web资源的计算机程序(如“蜘蛛”“爬虫”等)。这个文件由记录构成，各记录会指定程序的用户代理标识符，后面是该代理不能访问的一个url(或url前缀)列表。
以下代码清单显示了https://pymotw.com/的robots.txt文件。

sitemap: https://pymotw.com/sitemap.xml
user-agent: *
disallow: /admin/
disallow: /downloads/
disallow: /media/
disallow: /static/
disallow: /codehosting/

这个文件会阻止访问网站中某些计算资源代价昂贵的部分，如果搜索引擎试图索引这些部分，那么可能会让服务器负载过重。要得到更完整的robots.txt示例集，可以参考web robots页面。

1.2 测试访问权限

基于之前提供的数据，一个简单的爬虫应用可以使用robotfileparser.can_fetch()测试是否允许下载一个页面。

from urllib import parse
from urllib import robotparser

agent_name = 'pymotw'
url_base = 'https://pymotw.com/'
parser = robotparser.robotfileparser()
parser.set_url(parse.urljoin(url_base, 'robots.txt'))
parser.read()

paths = [
    '/',
    '/pymotw/',
    '/admin/',
    '/downloads/pymotw-1.92.tar.gz',
]

for path in paths:
    print('{!r:>6} : {}'.format(
        parser.can_fetch(agent_name, path), path))
    url = parse.urljoin(url_base, path)
    print('{!r:>6} : {}'.format(
        parser.can_fetch(agent_name, url), url))
    print()

can_fetch()的url参数可以是一个相对于网站根目录的相对路径，也可以是一个完全url。

1.3 长寿命蜘蛛

如果一个应用需要花很长时间来处理它下载的资源，或者受到抑制，需要在下载之间暂停，那么这样的应用应当以它已下载内容的寿命为根据，定期检查新的robots.txt文件。这个寿命并不是自动管理的，不过有一些简便方法可以方便地跟踪其寿命。

from urllib import robotparser
import time

agent_name = 'pymotw'
parser = robotparser.robotfileparser()
# using the local copy
parser.set_url('file:robots.txt')
parser.read()
parser.modified()

paths = [
    '/',
    '/pymotw/',
    '/admin/',
    '/downloads/pymotw-1.92.tar.gz',
]

for path in paths:
    age = int(time.time() - parser.mtime())
    print('age:', age, end=' ')
    if age > 1:
        print('rereading robots.txt')
        parser.read()
        parser.modified()
    else:
        print()
    print('{!r:>6} : {}'.format(
        parser.can_fetch(agent_name, path), path))
    # simulate a delay in processing
    time.sleep(1)
    print()

这个例子有些极端，如果已下载的文件寿命超过一秒，那么它就会下载一个新的robots.txt文件。

作为一个更好的长寿命应用，在下载整个文件之前可能会请求文件的修改时间。另一方面，robots.txt文件通常很小，所以在此获取整个文档的开销并不昂贵。