网络爬取的合法性

上一页
下一页

使用Python，我们可以爬取任何网站或网页的特定元素，但您是否知道这是否合法？在爬取任何网站之前，我们必须了解网络爬取的合法性。本章将解释与网络爬取合法性相关的概念。

介绍

通常，如果您要将爬取的数据用于个人用途，那么可能不会有任何问题。但是，如果您要重新发布该数据，那么在这样做之前，您应该向所有者发出下载请求，或对您要爬取的数据的策略进行一些背景调查。

爬取前所需的研究

如果您要针对某个网站进行数据爬取，我们需要了解其规模和结构。以下是我们在开始网络爬取之前需要分析的一些文件。

分析robots.txt

实际上，大多数发布者允许程序员在一定程度上抓取他们的网站。换句话说，发布者希望抓取网站的特定部分。为了定义这一点，网站必须制定一些规则来声明哪些部分可以抓取，哪些部分不可以抓取。这些规则定义在一个名为robots.txt的文件中。

robots.txt是一个人类可读的文件，用于识别爬虫允许和不允许抓取的网站部分。robots.txt文件没有标准格式，网站发布者可以根据需要进行修改。我们可以通过在该网站的URL后添加斜杠和robots.txt来检查特定网站的robots.txt文件。例如，如果我们要检查Google.com，则需要输入https://www.google.com/robots.txt，我们将得到如下内容：

User-agent: *
Disallow: /search
Allow: /search/about
Allow: /search/static
Allow: /search/howsearchworks
Disallow: /sdch
Disallow: /groups
Disallow: /index.html?
Disallow: /?
Allow: /?hl=
Disallow: /?hl=*&
Allow: /?hl=*&gws_rd=ssl$
and so on……..

网站的robots.txt文件中定义的一些最常见的规则如下：

   User-agent: BadCrawler
Disallow: /

上述规则意味着robots.txt文件要求用户代理为BadCrawler的爬虫不要抓取其网站。

User-agent: *
Crawl-delay: 5
Disallow: /trap

上述规则意味着robots.txt文件将所有用户代理的爬虫在下载请求之间的延迟设置为5秒，以避免服务器过载。/trap链接将尝试阻止遵循不允许链接的恶意爬虫。发布者可以根据需要定义更多规则。其中一些规则在此处讨论：

分析站点地图文件

如果您想爬取网站以获取更新的信息，您应该怎么做？您将爬取每个网页以获取更新的信息，但这将增加特定网站的服务器流量。这就是为什么网站提供站点地图文件来帮助爬虫定位更新内容，而无需爬取每个网页。站点地图标准在http://www.sitemaps.org/protocol.html中定义。

站点地图文件的内容

以下是https://www.microsoft.com/robots.txt的站点地图文件的内容，该文件在robot.txt文件中发现：

Sitemap: https://www.microsoft.com/en-us/explore/msft_sitemap_index.xml
Sitemap: https://www.microsoft.com/learning/sitemap.xml
Sitemap: https://www.microsoft.com/en-us/licensing/sitemap.xml
Sitemap: https://www.microsoft.com/en-us/legal/sitemap.xml
Sitemap: https://www.microsoft.com/filedata/sitemaps/RW5xN8
Sitemap: https://www.microsoft.com/store/collections.xml
Sitemap: https://www.microsoft.com/store/productdetailpages.index.xml
Sitemap: https://www.microsoft.com/en-us/store/locations/store-locationssitemap.xml

上述内容显示，站点地图列出了网站上的URL，并进一步允许网站管理员为每个URL指定一些其他信息，例如上次更新日期、内容更改、与其他URL相关的URL重要性等。

网站的大小是多少？

网站的大小，即网站的网页数量，是否会影响我们的爬取方式？当然会。因为如果我们要爬取的网页数量较少，那么效率不会是一个严重的问题，但是如果我们的网站有数百万个网页，例如Microsoft.com，那么按顺序下载每个网页将需要几个月的时间，那么效率将是一个严重的问题。

检查网站的大小

通过检查Google爬虫结果的大小，我们可以估计网站的大小。在进行Google搜索时，我们可以使用关键字site来过滤我们的结果。例如，下面给出了对https://authoraditiagarwal.com/大小的估计：

Checking The Size

您可以看到大约有60个结果，这意味着它不是一个大型网站，爬取不会导致效率问题。

网站使用了什么技术？

另一个重要的问题是网站使用的技术是否会影响我们的爬取方式？是的，会影响。但是我们如何检查网站使用的技术呢？有一个名为builtwith的Python库，我们可以用它来找出网站使用的技术。

示例

在这个例子中，我们将使用Python库builtwith来检查网站https://authoraditiagarwal.com使用的技术。但在使用此库之前，我们需要安装它，方法如下：

(base) D:\ProgramData>pip install builtwith
Collecting builtwith
   Downloading
https://files.pythonhosted.org/packages/9b/b8/4a320be83bb3c9c1b3ac3f9469a5d66e0
2918e20d226aa97a3e86bddd130/builtwith-1.3.3.tar.gz
Requirement already satisfied: six in d:\programdata\lib\site-packages (from
builtwith) (1.10.0)
Building wheels for collected packages: builtwith
   Running setup.py bdist_wheel for builtwith ... done
   Stored in directory:
C:\Users\gaurav\AppData\Local\pip\Cache\wheels\2b\00\c2\a96241e7fe520e75093898b
f926764a924873e0304f10b2524
Successfully built builtwith
Installing collected packages: builtwith
Successfully installed builtwith-1.3.3

现在，借助以下简单的几行代码，我们可以检查特定网站使用的技术：

In [1]: import builtwith
In [2]: builtwith.parse('http://authoraditiagarwal.com')
Out[2]:
{'blogs': ['PHP', 'WordPress'],
   'cms': ['WordPress'],
   'ecommerce': ['WooCommerce'],
   'font-scripts': ['Font Awesome'],
   'javascript-frameworks': ['jQuery'],
   'programming-languages': ['PHP'],
   'web-servers': ['Apache']}

网站的所有者是谁？

网站的所有者也很重要，因为如果所有者以阻止爬虫而闻名，那么爬虫在从网站爬取数据时必须小心。有一个名为Whois的协议，我们可以用它来找出网站的所有者。

示例

在这个例子中，我们将使用Whois来检查网站microsoft.com的所有者。但在使用此库之前，我们需要安装它，方法如下：

(base) D:\ProgramData>pip install python-whois
Collecting python-whois
   Downloading
https://files.pythonhosted.org/packages/63/8a/8ed58b8b28b6200ce1cdfe4e4f3bbc8b8
5a79eef2aa615ec2fef511b3d68/python-whois-0.7.0.tar.gz (82kB)
   100% |¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 92kB 164kB/s
Requirement already satisfied: future in d:\programdata\lib\site-packages (from
python-whois) (0.16.0)
Building wheels for collected packages: python-whois
   Running setup.py bdist_wheel for python-whois ... done
   Stored in directory:
C:\Users\gaurav\AppData\Local\pip\Cache\wheels\06\cb\7d\33704632b0e1bb64460dc2b
4dcc81ab212a3d5e52ab32dc531
Successfully built python-whois
Installing collected packages: python-whois
Successfully installed python-whois-0.7.0

现在，借助以下简单的几行代码，我们可以检查特定网站使用的技术：

In [1]: import whois
In [2]: print (whois.whois('microsoft.com'))
{
   "domain_name": [
      "MICROSOFT.COM",
      "microsoft.com"
   ],
   -------
   "name_servers": [
      "NS1.MSFT.NET",
      "NS2.MSFT.NET",
      "NS3.MSFT.NET",
      "NS4.MSFT.NET",
      "ns3.msft.net",
      "ns1.msft.net",
      "ns4.msft.net",
      "ns2.msft.net"
   ],
   "emails": [
      "abusecomplaints@markmonitor.com",
      "domains@microsoft.com",
      "msnhst@microsoft.com",
      "whoisrelay@markmonitor.com"
   ],
}
打印页面
上一页
下一页
广告