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，常常會先去看下該網(wǎng)站的robots.txt文件，有時會給你打開另一扇抓取之門。

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

　　1.訪問頻次太高被限制；

　　2.如何大量發(fā)現(xiàn)該網(wǎng)站的URL；

　　3.如何抓取一個網(wǎng)站新產(chǎn)生的URL，等等；

　　這些問題都困擾著爬蟲選手，如果有大量離散IP和賬號，這些都不是問題，但是絕大部分公司都不具備這個條件的。

　　我們在工作中寫的爬蟲大多是一次性和臨時性的任務(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。

　　舉個栗子

　　老板給你布置一個任務(wù)，把豆瓣每天新產(chǎn)生的影評，書評，小組帖子，同城帖子，個人日志抓取下來。

　　初想一下，這任務(wù)得有多大，豆瓣有1.6億注冊用戶，光是抓取個人日志這一項任務(wù)，每個人的主頁你至少每天要訪問一次。

　　這每天就得訪問1.6億次，小組/同城帖子等那些還沒算在內(nèi)。

　　設(shè)計一個常規(guī)爬蟲，靠著那幾十個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，你怎么完成，別給老板講技術(shù)，他不懂，他只想要結(jié)果。

　　我們來看下豆瓣的robots.txt

　　https://www.douban.com/robots.txt



　　看圖片上面紅框處，是兩個sitemap文件

　　打開sitemap_updated_index文件看一下：



　　里面是一個個壓縮文件，文件里面是豆瓣頭一天新產(chǎn)生的影評，書評，帖子等等，感興趣的可以去打開壓縮文件看一下。

　　也就是說每天你只需要訪問這個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)站上那幾億個鏈接，極大節(jié)約了你的抓取時間和爬蟲設(shè)計復(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robots.txt的sitemap文件找到了抓取一個網(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的問題。

　　再舉個栗子

　　老板又給你一個任務(wù)，老板說上次抓豆瓣你說要大量IP才能搞定抓豆瓣每天新產(chǎn)生的帖子，這次給你1000個IP把天眼查上的幾千萬家企業(yè)工商信息抓取下來。

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

　　很容易就把儲備的URL抓完了，干看著這么多IP工作不飽滿。

　　如果一次性能找到這個網(wǎng)站幾萬乃至幾十萬個URL放進(jìn)待抓隊列里，就可以讓這么多IP工作飽滿起來，不會偷懶了。

　　我們來看他的robots.txt文件：

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




　　打開紅框處的sitemap，里面有3萬個公司的URL，上圖是1月3號生成的，那個URL是根據(jù)年月日生成的，你把URL改成1月2號，又能看到2號的sitemap里的幾萬個公司URL，這樣就能發(fā)現(xiàn)十幾萬個種子URL供你抓取了。

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

　　小小的一個取巧，既降低了爬蟲設(shè)計的復(fù)雜度，又降低了對方的帶寬消耗。

　　這在工作中非常適用，工作中不會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文件你會發(fā)現(xiàn)一些別有洞天的東西。

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