1.1 爬虫修炼之道——网站基本知识

2017-02-16 本文已影响519人王伟_同学

欢迎大家关注我的专题：爬虫修炼之道

robots.txt

robots.txt 一般指robots协议，robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

robots.txt文件一般都在网站的根目录，例如，京东的首页url为 https://www.jd.com，则robots.txt存放在 https://www.jd.com/robots.txt 。

京东官网的 robots.txt

sitemap（网站地图）

sitemap 可方便网站管理员通知搜索引擎他们网站上有哪些可供抓取的网页。最简单的 Sitemap 形式，就是XML 文件，在其中列出网站中的网址以及关于每个网址的其他元数据（上次更新的时间、更改的频率以及相对于网站上其他网址的重要程度为何等），以便搜索引擎可以更加智能地抓取网站。

估算网站大小

如果要爬取一个网站时，我们首先需要了解该网站的大小是多少。我们可以使用百度的高级搜索或者谷歌的高级搜索来实现。

例如想要估算smzdm.com域名所包含的网页大小，我们可以在百度高级搜索的“站内搜索”输入框输入smzdm.com：

百度高级搜索界面

然后回车，得到如下页面：

百度site高级搜索结果

从图中可以看出，百度估算该网站拥有10,700,000个网页。

如果我们想要得到指定于域名下特定条件的筛选结果，只需将URL拼接起来就可以了，比如想要得到smzdm.com/p网页的个数，这儿我们使用百度高级搜索来搜索，发现没有得到结果：

百度site高级搜索

改用谷歌高级搜索来实现：

谷歌高级搜索界面

回车得到结果：

谷歌site高级搜索结果

识别网站所用技术

构建网站时采用的技术会对我们之后如何进行爬取数据产生影响，python有一个可以查看网站构建的技术类型的模块——builtwith 。安装方法如下：

pip install builtwith

使用方法如下：

In [1]: import builtwith

In [2]: builtwith.builtwith("http://www.smzdm.com/")
Out[2]:
{u'advertising-networks': [u'DoubleClick for Publishers (DFP)'],
 u'tag-managers': [u'Google Tag Manager']}

此外，也可以使用 wappalyzer 工具来进行分析。该工具可以作为chrome或firefox的插件使用。下图为将该工具安装在chrome之后检测“http://www.smzdm.com”使用技术的结果：

wappalyzer

可以看出，使用wappalyzer插件得到的结果比python的builtwith模块得到的结果更详细。

寻找网站所有者

有时候我们可能需要得到某个网站的所有者，python有一个可以查看whois的模块——python-whois 。

pip install python-whois

使用方法如下：

In [13]: import whois

In [14]: print whois.whois("smzdm.com")
{
  "updated_date": "2017-02-09 00:00:00",
  "status": [
    "ok https://icann.org/epp#ok",
    "ok http://www.icann.org/epp#ok"
  ],
  "name": "guodong sui",
  "dnssec": "unsigned",
  "city": "beijing",
  "expiration_date": [
    "2018-06-30 00:00:00",
    "2018-06-30 07:49:04"
  ],
  "zipcode": "100000",
  "domain_name": "SMZDM.COM",
  "country": "CN",
  "whois_server": "whois.godaddy.com",
  "state": "Beijing",
  "registrar": "GoDaddy.com, LLC",
  "referral_url": "http://www.godaddy.com",
  "address": "fengtaiqu",
  "name_servers": [
    "NS1.DNSV2.COM",
    "NS2.DNSV2.COM"
  ],
  "org": "Beijing Zhidemai Technology Co.,Ltd.",
  "creation_date": [
    "2010-06-30 00:00:00",
    "2010-06-30 07:49:04"
  ],
  "emails": [
    "abuse@godaddy.com",
    "webmaster@smzdm.com"
  ]
}

此外，还可以使用一些在线whois查询，例如，百度云的域名注册信息查询。下图为使用该工具查询“smzdm.com”域名的注册信息：

百度云域名注册信息查询结果

下篇我们将讲解如何使用python来下载一个页面：爬虫修炼之道——编写一个爬取单页面的网络爬虫