Python 网络爬虫 002 (入门) 爬取一个网站之前，要了解的知识

网站站点的背景调研

1. 检查 robots.txt

网站都会定义robots.txt 文件，这个文件就是给 网络爬虫 来了解爬取该网站时存在哪些限制。当然了，这个限制仅仅只是一个建议，你可以遵守，也可以不遵守。但对于一个良好的网民来说，最好还是遵守robots.txt 文件里面的限制。

Q： 如何查看这个 robots.txt 文件？

A： 你只需要在 目标网站站点域名 后面加上 robots.txt 即可。

举例：目标网站站点域名：http://www.aobosir.com/ 。目标网站站点的robots.txt 文件：http://www.aobosir.com/robots.txt 。

# section 1
User-agent: BadCrawler
Disallow: /

# section 2
User-agent: *
Crawl-delay: 5
Disallow: /trap

# section 3
Sitemap: http://aobojaing.github.io/sitemap.xml 

Q： robots.txt 文件里面的东西都是什么意思，又有什么用？

A： 一个部分一个部分的讲解：

section 1：

这部分的意思就是：robots.txt 文件禁止那些代理为 BadCrawler 的爬虫访问该网站。 BadCrawler 中文翻译为：恶意爬网程序。

其实这一部分纯粹没用。因为一个恶意爬虫是根本不会代理成：BadCrawler 来访问网站的。你想啊，一个小偷，他会在偷别人东西之前告诉对方，“我是小偷，我要偷你东西了，你做好准备哦！” ？

我们还是尽量遵守robots.txt 文件里面的要求为好。这套专栏后面的博客中，将会展示如何让爬虫自动遵守 robots.txt 文件的要求。

section 2：

不管什么用户，两次爬取请求之间的间隔时间不可以小于 5秒钟。否则你访问的这个网站会将网页自动跳整到 /trap 链接。

就是说：网站服务器封禁了你的IP。我这个网站是封禁你1分钟的时间。一个真实的网站可能会对你的IP封禁更长的时间，如果你行为恶劣，甚至是永久封禁！

section 3：

定义了一个 Sitemap 文件，这个文件就是所谓的 网站地图。我们马上就来介绍这个文件。

2. 检查 网站地图

下面的截图是在 robots.txt 文件中发现的 Sitemap 文件的内容：

网站提供的 Sitemap 文件（即 网站地图），它提供了网站站点里面所有页面的链接。它们组成了这个 Sitemap 文件，现在你应该清楚：为什么叫这个文件为网站地图了吧。

我们无须爬取某个网站站点里面的每一个网页。网站提供的 Sitemap 文件 帮助了我们的网络爬虫定为网站最新的内容。

虽然 Sitemap 文件提供了一种爬取网站的有效方式，但是我们仍需要对其谨慎处理，因为该文件经常存在缺失、过期或者不完整的问题。

3. 估算 网站大小

Q： 为什么要估算 网站大小？

A： 目标网站的大小指的是，这个站点里面有多少个网页。有多少的网页，会影响到我们如何进行爬取。爬取网站上的信息的方式有两种：串行爬取 和 分布式爬取。如果目标网站的网页数量不是很多，只有几百个网页，使用串行爬取就可以。但是如果一个目标网站的网页有几百万个，我们使用串行爬取的话，可能要持续数月才能完成，这个时候，我们就需要分布式爬取的策略来解决这个问题。

所以，在爬取目标网站之前，估算 网站大小 是很有必要的。

---

Q： 如何估算 网站大小？

A： 估算网站大小的一个简便方法是：检查Google爬虫的爬取结果。

举例：目标网站：http://blog.csdn.net/github_35160620，现在我们要估算这个网站的大小。做法：在google搜索栏里面输入：site:http://blog.csdn.net/github_35160620 ，就可以了。

Google的爬虫估算该网站拥有98个网页，这个数字和事情情况差不多。（实际上，这个http://blog.csdn.net/github_35160620网站里面有101格网页。）

1. 我们通过 Google搜索的site关键词过滤域名结果，从而获取估计的网站大小的信息。
2. 这个例子估算的结果还算正确。不过对于更大型的网站，我们会发现 Google 的估算并十分准确。

---

Q： 上不了 Google 网站，怎么办？

A： 告诉你一个方法：无须*，无需任何设置，就可以上谷歌，网速也是相当的快：虫部落 http://so.chongbuluo.com/

4. 识别 网站所用技术

编写中…

5. 寻找 网站所有者

编写中…