怎么用robots.txt快速抓取網(wǎng)站_迅速域名

　　在我抓取網(wǎng)站遇到瓶頸，想劍走偏鋒去解決時(shí)，常常會(huì)先去看下該網(wǎng)站的robots.txt文件，有時(shí)會(huì)給你打開(kāi)另一扇抓取之門(mén)。

　　
寫(xiě)爬蟲(chóng)有很多苦惱的事情，比如：
（推薦閱讀：服務(wù)器日志是什么，服務(wù)器日志對(duì)SEO有什么幫助）

　　1.訪問(wèn)頻次太高被限制；

　　2.如何大量發(fā)現(xiàn)該網(wǎng)站的URL；

　　3.如何抓取一個(gè)網(wǎng)站新產(chǎn)生的URL，等等；

　　這些問(wèn)題都困擾著爬蟲(chóng)選手，如果有大量離散IP和賬號(hào)，這些都不是問(wèn)題，但是絕大部分公司都不具備這個(gè)條件的。

　　我們?cè)诠ぷ髦袑?xiě)的爬蟲(chóng)大多是一次性和臨時(shí)性的任務(wù)，需要你快速完成工作就好，當(dāng)遇到上面情況，試著看下robots.txt文件。

　　舉個(gè)栗子

　　老板給你布置一個(gè)任務(wù)，把豆瓣每天新產(chǎn)生的影評(píng)，書(shū)評(píng)，小組帖子，同城帖子，個(gè)人日志抓取下來(lái)。

　　初想一下，這任務(wù)得有多大，豆瓣有1.6億注冊(cè)用戶(hù)，光是抓取個(gè)人日志這一項(xiàng)任務(wù)，每個(gè)人的主頁(yè)你至少每天要訪問(wèn)一次。

　　這每天就得訪問(wèn)1.6億次，小組/同城帖子等那些還沒(méi)算在內(nèi)。

　　設(shè)計(jì)一個(gè)常規(guī)爬蟲(chóng)，靠著那幾十個(gè)IP是完不成任務(wù)的。

　　初窺robots.txt

　　當(dāng)老板給你了上面的任務(wù)，靠著你這一兩桿槍?zhuān)阍趺赐瓿?，別給老板講技術(shù)，他不懂，他只想要結(jié)果。

　　我們來(lái)看下豆瓣的robots.txt

　　https://www.douban.com/robots.txt



　　看圖片上面紅框處，是兩個(gè)sitemap文件

　　打開(kāi)sitemap_updated_index文件看一下：



　　里面是一個(gè)個(gè)壓縮文件，文件里面是豆瓣頭一天新產(chǎn)生的影評(píng)，書(shū)評(píng)，帖子等等，感興趣的可以去打開(kāi)壓縮文件看一下。

　　也就是說(shuō)每天你只需要訪問(wèn)這個(gè)robots.txt里的sitemap文件就可以知道有哪些新產(chǎn)生的URL。

　　不用去遍歷豆瓣網(wǎng)站上那幾億個(gè)鏈接，極大節(jié)約了你的抓取時(shí)間和爬蟲(chóng)設(shè)計(jì)復(fù)雜度，也降低了豆瓣網(wǎng)站的帶寬消耗，這是雙贏啊，哈哈。

　　上面通過(guò)robots.txt的sitemap文件找到了抓取一個(gè)網(wǎng)站新產(chǎn)生URL的偏方。沿著該思路也能解決發(fā)現(xiàn)網(wǎng)站大量URL的問(wèn)題。

　　再舉個(gè)栗子

　　老板又給你一個(gè)任務(wù)，老板說(shuō)上次抓豆瓣你說(shuō)要大量IP才能搞定抓豆瓣每天新產(chǎn)生的帖子，這次給你1000個(gè)IP把天眼查上的幾千萬(wàn)家企業(yè)工商信息抓取下來(lái)。

　　看著這么多IP你正留著口水，但是分析網(wǎng)站后發(fā)現(xiàn)這類(lèi)網(wǎng)站的抓取入口很少(抓取入口是指頻道頁(yè)，聚合了很多鏈接的那種頁(yè)面)。

　　很容易就把儲(chǔ)備的URL抓完了，干看著這么多IP工作不飽滿(mǎn)。

　　如果一次性能找到這個(gè)網(wǎng)站幾萬(wàn)乃至幾十萬(wàn)個(gè)URL放進(jìn)待抓隊(duì)列里，就可以讓這么多IP工作飽滿(mǎn)起來(lái)，不會(huì)偷懶了。

　　我們來(lái)看他的robots.txt文件：

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




　　打開(kāi)紅框處的sitemap，里面有3萬(wàn)個(gè)公司的URL，上圖是1月3號(hào)生成的，那個(gè)URL是根據(jù)年月日生成的，你把URL改成1月2號(hào)，又能看到2號(hào)的sitemap里的幾萬(wàn)個(gè)公司URL，這樣就能發(fā)現(xiàn)十幾萬(wàn)個(gè)種子URL供你抓取了。

　　PS：上面的sitemap其實(shí)也能解決抓取天眼查最近更新的，新產(chǎn)生URL的問(wèn)題。

　　小小的一個(gè)取巧，既降低了爬蟲(chóng)設(shè)計(jì)的復(fù)雜度，又降低了對(duì)方的帶寬消耗。

　　這在工作中非常適用，工作中不會(huì)在意你用的框架多好，只在意你做事的快慢和好壞。善于看robots.txt文件你會(huì)發(fā)現(xiàn)一些別有洞天的東西。

　　文章出處：【AI科技大本營(yíng)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。更多
SEO工具
資訊，盡在
聚名
資訊站！