网页抓取的合法性


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

介绍

一般来说,如果您打算将抓取的数据用于个人用途,那么可能不会有任何问题。但是,如果您要重新发布该数据,那么在执行相同操作之前,您应该向所有者发出下载请求,或者对政策以及您要抓取的数据进行一些背景研究。

刮除前需要进行研究

如果您的目标是从某个网站抓取数据,我们需要了解其规模和结构。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

事实上,大多数出版商都在某种程度上允许程序员抓取他们的网站。从其他意义上说,发布商希望对网站的特定部分进行爬网。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,哪些部分不能被抓取。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,用于识别允许爬虫抓取和不允许抓取的网站部分。robots.txt文件没有标准格式,网站发布者可以根据自己的需要进行修改。我们可以通过在该网站的 url 后面提供斜线和 robots.txt 来检查该网站的 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,我们将得到如下内容 -

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用户代理的爬网程序不要爬行其网站。

User-agent: *
Crawl-delay: 5
Disallow: /trap

上述规则意味着 robots.txt 文件会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。/trap链接将尝试阻止访问不允许链接的恶意爬虫。网站发布者可以根据自己的要求定义更多规则。这里讨论其中一些 -

分析站点地图文件

如果您想抓取网站以获取更新信息,您应该怎么做?您将抓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找到更新内容,而无需爬行每个网页。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

上述内容显示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关于每个 URL 的一些附加信息,例如最后更新日期、内容更改、URL 相对于其他 URL 的重要性等。

网站的大小是多少?

网站的大小,即网站的网页数量会影响我们的爬行方式吗?当然是的。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将需要几个月的时间那么效率将是一个严重的问题。

检查网站的大小

通过检查Google爬虫的结果大小,我们可以估算出一个网站的大小。我们的结果可以通过在进行 Google 搜索时使用关键字站点进行过滤。例如,估计https://authoraditiagarwal.com/的大小如下 -

检查尺寸

可以看到大约有60条结果,这意味着它不是一个大网站,爬行不会导致效率问题。

网站使用什么技术?

另一个重要的问题是网站所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所使用的技术呢?有一个名为builtwith的Python库,借助它我们可以了解网站所使用的技术。

例子

在此示例中,我们将借助 Python 库builtwith检查网站 https://authoraditiagarwal.com使用的技术。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']}

网站的所有者是谁?

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,那么爬虫在从网站抓取数据时必须小心。有一个名为Whois的协议,借助它我们可以找到网站的所有者。

例子

在此示例中,我们将在 Whois 的帮助下检查microsoft.com网站的所有者。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"
   ],
}