php 循环抓取网页内容(Web之前需要分析的一些文件(一)_网络抓取 )

　　php 循环抓取网页内容(Web之前需要分析的一些文件(一)_网络抓取

)

　　使用 Python，我们可以抓取网站或网页的任何特定元素，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。本章将解释与网页抓取合法性相关的概念。

　　介绍

　　一般来说，如果您打算将抓取的数据用于个人目的，可能不会有任何问题。但是，如果要重新发布数据，则应在进行相同操作之前向所有者提出下载请求，或者对要抓取的数据和策略进行一些背景研究。

　　注册前需要研究

　　如果您将网站定位为从中抓取数据的网站，我们需要了解其大小和结构。以下是一些在开始爬网之前需要分析的文件。

　　分析 robots.txt

　　事实上，大多数发布商都在某种程度上允许程序员抓取他们的网站。换句话说，发布者想要抓取网站的特定部分。为了定义这个，网站必须建立一些规则来指定可以爬取的部分和不能被爬取的部分。此类规则在名为 robots.txt 的文件中定义。

　　robots.txt 是人类可读的文件，用于识别允许和禁止爬虫的网站部分。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。我们可以通过在特定网站的 URL 后提供斜杠和 robots.txt 来检查特定网站的 robots.txt 文件。例如，如果我们想检查它是否存在，我们需要输入它，我们将得到以下内容 -

　　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 文件要求带有 BadCrawler 用户代理的爬虫不能爬取其网站。

　　User-agent: *

Crawl-delay: 5

Disallow: /trap

　　上述规则意味着robots.txt文件将在所有用户代理下载请求之间延迟爬虫5秒，以避免服务器过载。/trap 链接将尝试阻止跟踪禁止链接的恶意爬虫。网站发布者可以根据自己的需求定义更多的规则。其中一些在这里讨论-

　　分析站点地图文件

　　如果您想抓取网站以获取更新信息怎么办？您将搜索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。这就是为什么该网站提供站点地图文件来帮助爬虫查找更新内容而无需爬取每个网页的原因。站点地图标准在上面定义。

　　站点地图文件的内容

　　以下是在 robots.txt 文件中找到的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网址，并进一步允许站点管理员指定一些附加信息，例如每个网址的最后更新日期、内容变化以及该网址相对于其他网址的重要性.

　　网站的大小是多少？

　　网站的大小，即网站的页面数量，是否会影响我们的抓取方式？当然。因为如果我们要抓取的网页数量很少，那么效率不会是一个严重的问题，但是如果我们的网站有几百万个网页（例如），每个网页轮流下载需要几个月的时间，那么效率就会成为一个严重的问题。

　　检查网站的大小

　　通过检查谷歌搜索引擎结果的大小，我们可以估计网站的大小。在执行 Google 搜索时，您可以使用关键字网站来过滤我们的结果。例如，估计大小如下 -

　　

　　你会看到大约60个结果，这意味着它不是一个大网站，抓取不会导致效率问题。

　　网站使用什么技术？

　　另一个重要的问题是网站使用的技术是否会影响我们的抓取方式？是的，会影响的。但是我们如何检查网站使用的技术呢？有一个名为 buildwith 的 Python 库，通过它我们可以找到有关网站使用的技术的信息。

　　例子

　　在这个例子中，我们将借助 buildwith 的 Python 库来检查网站使用的技术。但是在使用这个库之前，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，因为如果知道所有者阻止了爬虫，那么爬虫在从网站上抓取数据时必须小心。有一个叫Whois的协议，通过它你可以找到关于网站所有者的协议。

　　例子

　　在这个例子中，我们将在 Whois 的帮助下检查网站所有者。但是在使用这个库之前，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"

],

}