urllib.robotparser —- robots.txt 语法分析程序

源代码： Lib/urllib/robotparser.py

此模块提供了一个单独的类 RobotFileParser，它可以回答关于某个特定用户代理能否在发布了 robots.txt 文件的网站抓取特定 URL 的问题。 有关 robots.txt 文件结构的更多细节，请参阅 http://www.robotstxt.org/orig.html。

class urllib.robotparser.RobotFileParser(url=’’)

这个类提供了一些可以读取、解析和回答关于 url 上的 robots.txt 文件的问题的方法。

• set_url(url)

  设置指向 robots.txt 文件的 URL。

• read()

  读取 robots.txt URL 并将其输入解析器。

• parse(lines)

  解析行参数。

• can_fetch(useragent, url)

  如果允许 useragent 按照被解析 robots.txt 文件中的规则来获取 url 则返回 True。

• mtime()

  返回最近一次获取 robots.txt 文件的时间。 这适用于需要定期检查 robots.txt 文件更新情况的长时间运行的网页爬虫。

• modified()

  将最近一次获取 robots.txt 文件的时间设置为当前时间。

• crawl_delay(useragent)

  为指定的 useragent 从 robots.txt 返回 Crawl-delay 形参。 如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误，则返回 None。

  3.6 新版功能.

• request_rate(useragent)

  以 named tuple RequestRate(requests, seconds) 的形式从 robots.txt 返回 Request-rate 形参的内容。 如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误，则返回 None。

  3.6 新版功能.

• site_maps()

  以 list() 的形式从 robots.txt 返回 Sitemap 形参的内容。 如果此形参不存在或者此形参的 robots.txt 条目存在语法错误，则返回 None。

  3.8 新版功能.

下面的例子演示了 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