上一节:
下一节:

  Python - 网页抓取合法性

  • 简述

    使用 Python，我们可以抓取任何网站或网页的特定元素，但您知道它是否合法吗？在抓取任何网站之前，我们必须了解网络抓取的合法性。本章将解释与网络抓取合法性相关的概念。

  • 介绍

    一般来说，如果您要将抓取的数据用于个人用途，那么可能没有任何问题。但是，如果您要重新发布该数据，那么在做同样的事情之前，您应该向所有者提出下载请求，或者对政策以及您要抓取的数据进行一些背景研究。

  • 刮痧前需要研究

    如果您的目标是从网站抓取数据，我们需要了解它的规模和结构。以下是我们在开始网络抓取之前需要分析的一些文件。

    分析 robots.txt

    实际上，大多数发布者都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说明哪些部分可以被抓取，哪些部分不能。此类规则在名为的文件中定义robots.txt.
    robots.txt是人类可读的文件，用于识别允许和不允许爬虫抓取的网站部分。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 后提供斜杠和 robots.txt 来检查特定网站的 robots.txt 文件。例如，如果我们想检查 Google.com，那么我们需要输入https://www.google.com/robots.txt，我们会得到如下信息 - 
    
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……..
    在网站的 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 文件向爬虫询问BadCrawler用户代理不要抓取他们的网站。 
    
User-agent: *
Crawl-delay: 5
Disallow: /trap
    上述规则意味着 robots.txt 文件在所有用户代理的下载请求之间延迟爬虫 5 秒，以避免服务器过载。这/trap链接将尝试阻止跟踪不允许链接的恶意爬虫。网站发布者可以根据他们的要求定义更多规则。其中一些在这里讨论 -

    分析站点地图文件

    如果您想爬取网站以获取更新信息，您应该怎么做？您将爬取每个网页以获取更新的信息，但这会增加该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

    以下是在 robots.txt 文件中发现的https://www.microsoft.com/robots.txt站点地图文件的内容 - 
    
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
    上述内容表明，站点地图列出了网站上的 URL，并进一步允许网站管理员指定一些附加信息，如上次更新日期、内容更改、URL 相对于其他 URL 的重要性等关于每个 URL。

    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抓取的方式？当然可以。因为如果我们要抓取的网页数量较少，那么效率不会是一个严重的问题，但是假设我们的网站有数百万个网页，例如Microsoft.com，那么顺序下载每个网页需要几个月的时间，那么效率将是一个严重的问题。

    检查网站大小

    通过检查谷歌爬虫的结果大小，我们可以估计一个网站的大小。我们的结果可以使用关键字过滤site在进行谷歌搜索时。例如，估计https://authoraditiagarwal.com/的大小如下 -
    检查尺寸
    您可以看到大约有 60 个结果，这意味着它不是一个大网站，爬网不会导致效率问题。

    网站使用哪种技术？

    另一个重要的问题是网站使用的技术是否会影响我们的抓取方式？是的，有影响。但是我们如何检查网站使用的技术呢？有一个名为的 Python 库builtwith借助它，我们可以了解网站使用的技术。

    例子

    在这个例子中，我们将在Python 库的帮助下检查网站 https://authoraditiagarwal.com使用的技术builtwith. 但在使用这个库之前，我们需要按如下方式安装它 - 
    
(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，借助以下简单的代码行，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']}

    谁是网站的所有者？

    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，那么爬虫在从网站上抓取数据时必须小心。有一个协议名为Whois借助它，我们可以找到有关网站所有者的信息。

    例子

    在此示例中，我们将在Whois 的帮助下检查网站的所有者，例如microsoft.com 。但在使用这个库之前，我们需要按如下方式安装它 - 
    
(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，借助以下简单的代码行，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"
   ],
}
上一节:
下一节: