网络爬虫的网络规范

网络爬虫引发的问题

网络爬虫的尺寸

网络爬虫的“性能骚扰”

Web服务器默认接收人类访问
受限于编写水平和目的，网络爬虫将会为Web服务器带来巨大的资源开销

网络爬虫的法律风险

服务器上的数据有产权归属
网络爬虫获取数据后牟利将带来法律风险

网络爬虫的隐私泄露

网络爬虫可能具备突破简单访问控制的能力，获得被保护数据
从而泄露个人隐私

网络爬虫引发的问题

性能骚扰
法律风险
隐私泄露

网络爬虫的限制

• 来源审查：判断User‐Agent进行限制
    检查来访HTTP协议头的User‐Agent域，只响应浏览器或友好爬虫的访问
• 发布公告：Robots协议
    告知所有爬虫网站的爬取策略，要求爬虫遵守

Robots协议

Robots协议

Robots Exclusion Standard，网络爬虫排除标准

作用：
    网站告知网络爬虫哪些页面可以抓取，哪些不行
形式：
    在网站根目录下的robots.txt文件

案例：京东的 Robots协议

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

User‐agent: *
Disallow: /?*
Disallow: /pop/*.html
Disallow: /pinpai/*.html?*
User‐agent: EtaoSpider
Disallow: /
User‐agent: HuihuiSpider
Disallow: /
User‐agent: GwdangSpider
Disallow: /
User‐agent: WochachaSpider
Disallow: /

# 注释，*代表所有，/代表根目录
User‐agent: *
Disallow: /

Robots协议基本语法

案例：真实的Robots协议

http://www.baidu.com/robots.txt
http://news.sina.com.cn/robots.txt
http://www.qq.com/robots.txt
http://news.qq.com/robots.txt
http://www.moe.edu.cn/robots.txt （无robots协议）

Robots协议的遵守方式

实际操作中，该如何遵守Robots协议？

Robots协议的使用

网络爬虫：
    自动或人工识别robots.txt，再进行内容爬取
约束性：
    Robots协议是建议但非约束性，网络爬虫可以不遵守，但存在法律风险

对Robots协议的理解