轉(zhuǎn)自人生苦短丨我愛python
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)給你打開另一扇抓取之門。
寫爬蟲有很多苦惱的事情，比如：
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(gè)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(hào)，這些都不是問題，但是絕大部分公司都不具備這個(gè)條件的。
我們?cè)诠ぷ髦袑懙呐老x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)，書評(píng)，小組帖子，同城帖子，個(gè)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(cè)用戶，光是抓取個(gè)人日志這一項(xiàng)任務(wù)，每個(gè)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(jì)一個(gè)常規(guī)爬蟲，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，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(gè)sitemap文件
打開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)，書評(píng)，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(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的問題。
再舉個(gè)栗子：
老板又給你一個(gè)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(gè)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(chǔ)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(gè)網(wǎng)站幾萬乃至幾十萬個(gè)URL放進(jìn)待抓隊(duì)列里，就可以讓這么多IP工作飽滿起來，不會(huì)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(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里的幾萬個(gè)公司URL，這樣就能發(fā)現(xiàn)十幾萬個(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的問題。
小小的一個(gè)取巧，既降低了爬蟲設(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。
作者：人生苦短丨我愛python
鏈接：http://www.itdecent.cn/p/91af3fbe4890
來源：簡(jiǎn)書
簡(jiǎn)書著作權(quán)歸作者所有，任何形式的轉(zhuǎn)載都請(qǐng)聯(lián)系作者獲得授權(quán)并注明出處。
