urllib.robotparser
— robots.txt 解析器¶
源代码: Lib/urllib/robotparser.py
此模块提供了一个类,RobotFileParser
,它可以回答有关特定用户代理是否可以获取发布 robots.txt
文件的网站上的 URL 的问题。有关 robots.txt
文件结构的更多详细信息,请参阅 http://www.robotstxt.org/orig.html。
- class urllib.robotparser.RobotFileParser(url='')¶
此类提供了读取、解析和回答有关 url 处的
robots.txt
文件的问题的方法。- set_url(url)¶
设置引用
robots.txt
文件的 URL。
- read()¶
读取
robots.txt
URL 并将其提供给解析器。
- parse(lines)¶
解析 lines 参数。
- can_fetch(useragent, url)¶
如果根据已解析的
robots.txt
文件中的规则,允许 useragent 获取 url,则返回True
。
- mtime()¶
返回上次获取
robots.txt
文件的时间。这对于需要定期检查新robots.txt
文件的长期运行的网络爬虫很有用。
- modified()¶
将上次获取
robots.txt
文件的时间设置为当前时间。
- crawl_delay(useragent)¶
返回
robots.txt
中针对相关 useragent 的Crawl-delay
参数的值。如果没有此类参数,或者它不适用于指定的 useragent,或者此参数的robots.txt
条目语法无效,则返回None
。3.6 版新增。
以下示例演示了 RobotFileParser
类的基本用法
>>> import urllib.robotparser
>>> rp = urllib.robotparser.RobotFileParser()
>>> rp.set_url("http://www.musi-cal.com/robots.txt")
>>> rp.read()
>>> rrate = rp.request_rate("*")
>>> rrate.requests
3
>>> rrate.seconds
20
>>> rp.crawl_delay("*")
6
>>> rp.can_fetch("*", "http://www.musi-cal.com/cgi-bin/search?city=San+Francisco")
False
>>> rp.can_fetch("*", "http://www.musi-cal.com/")
True