【爬虫】P1 对目标网站的背景调研（robot.txt，advanced_search，builtwith，whois）

检查 robot.txt

• 目的： 大多数的网站都会包含 robot.txt 文件。该文件用于指出使用爬虫爬取网站时有哪些限制。而我们通过读 robot.txt 文件，亦可以最小化爬虫被封禁的可能。
• 方法： 通过在网站地址后面添加 “/robots.txt”，形成完整的网址，获取该网站对于爬虫的限制信息；
• 案例：
  例如：我们想要知道 https://www.csdn.net 即 CSDN 官网的爬虫爬取网站的限制，我们可以通过在网址后添加 “/robots.txt”，形成完整网址：https://www.csdn.net/robots.txt，Enter 访问，看到限制信息如下：
  
  在上图中，我们发现主要包含两个属性：Disallow 以及 User-agent；
  • 其中，"User-agent: *" 表示以下所有限制 Disallow 适用于所有的网络爬虫。
  • "Disallow: /scripts" 表示不允许任何网络爬虫访问网站上的 /scripts 目录及其下的内容。这意味着爬虫不应该抓取和索引这个目录中的任何内容。

而在访问 baidu 的 robots.txt 文件时，会发现限制不同：

我们提取出第一段解释一下限制信息：

User-agent: Baiduspider
Disallow: /baidu
Disallow: /s?
Disallow: /ulink?
Disallow: /link?
Disallow: /home/news/data/
Disallow: /bh

这段 robots.txt 文件中的内容针对百度搜索引擎的爬虫（Baiduspider）定义了一系列规则，指示哪些页面或目录不应该被该搜索引擎的爬虫访问和抓取。这些规则的含义如下：

• User-agent: Baiduspider：这条规则定义了适用于百度搜索引擎爬虫（Baiduspider）的规则。
• Disallow: /baidu：这表示不允许百度爬虫访问网站上的 /baidu 目录及其下的内容。
• Disallow: /s?：这表示不允许百度爬虫访问类似于 /s? 这样的路径，通常这种路径会包含查询参数。
• Disallow: /ulink? 和 Disallow: /link?：这表示不允许百度爬虫访问以 /ulink? 或 /link? 开头的路径，同样是限制查询参数的访问。
• Disallow: /home/news/data/：这表示不允许百度爬虫访问 /home/news/data/ 目录下的内容。
• Disallow: /bh：这表示不允许百度爬虫访问 /bh 这个路径。

充分了解如何检查网站爬虫限制后，我们下一步

---

估算网站大小

• 目的： 对于目标网站大小的估算，会影响我们判断是否采用串行下载还是分布式下载。对于只有数百个 URL 的网站，效率没有那么重要，只需要串行下载即可，但是对于数百万个网页的网站，则需要我们使用分布式下载；

• 方法： 而判断采用串行下载还是分布式下载的第一步，则是对网站的大小做好估算。通过访问 Google 高级搜索网站：https://www.google.com/advanced_search

  

  通过 “高级搜索” 搜索关键字段，如上图下图所示，关于 “理财” 字段全网共有 82,200,000 条结果，即 82,200,000 个网页；

  
  所以根据结果，我们对于 “理财” 信息的爬取，必须通过分布式下载，而非串行下载，因为网站页数数量过大。

  但是如果我们任务比较紧急，我们只需要获取 baidu 上所有关于 “理财” 字段的网页信息，我们在上述的高级搜索中添加条件即可：site:www.baidu.com，如下图所示：

  
  如此筛选，我们发现只有 69,000 条结果，而非上千万条，此时，我们所需时间将大大减少。

---

识别网站所用技术

• 目的： 网站使用的不同技术，不同框架构建，会对我们如何爬取网站数据有影响。例如，Webpy 框架相对而言比较容易抓取；但是如果改用 AngularJS 构建网站，此时网站内容为动态加载，爬取难度上升；而如果网站使用 ASP.NET 技术，当我们爬取网站时，就必须使用到会话管理和表单提交了。而这些技术与如何爬取的不同方法，将在后续中逐渐阐述出，本节目标为如何得知网址到底使用了什么技术。

• 方法： builtwith 可以检查网站构建的技术类型；

  pip install builtwith
  

  import builtwith
  builtwith.parse("www.baidu.com")
  

  但是近些年对于爬虫的限制，导致 builtwith.parse() 函数在很多网站不可用，平替的暂时最好方法，是通过网站：https://www.wappalyzer.com/ 进行查看，但是好像需要付费。

---

寻找网站的所有者

• 目的： 当然，如何需要找到网站的所有者并与之联系，我们可以通过使用 WHOIS 协议查询域名的注册者是谁。

• 方法： python 有针对协议的封装库，具体方案为我们首先：

  pip install python-whois
  

  import whois
  print(whois.whois('www.csdn.net'))
  

  结果为：
  

• domain_name：列出了域名的主要名称和规范名称，这两者在大小写上略有不同，但指向同一个域名。在这里，主要名称是 “CSDN.NET”，规范名称是 “csdn.net”。

• registrar：这是域名的注册商或注册服务提供商，即负责管理域名注册的公司。在这里，注册商是 “Alibaba Cloud Computing (Beijing) Co., Ltd.”，这是阿里云计算有限公司。

• whois_server：这是用于查询域名信息的 WHOIS 服务器。在这里，WHOIS 服务器是 “grs-whois.hichina.com”。

• updated_date：这是域名信息的最近更新日期。在这里，最近更新的日期是 “2023-01-03 02:19:20”。

• creation_date：这是域名创建的日期。在这里，域名创建的日期是 “1999-03-11 05:00:00”。

• expiration_date：这是域名的到期日期。在这里，域名到期的日期是 “2024-03-11 04:00:00”。

• name_servers：这列出了域名使用的名称服务器（DNS 服务器），它们负责将域名解析为 IP 地址。在这里，有两个名称服务器：“VIP3.ALIDNS.COM” 和 “VIP4.ALIDNS.COM”。

• status：这个字段列出了域名的状态信息，使用了ICANN定义的状态代码。在这里，状态是 “clientTransferProhibited” 和 “clientUpdateProhibited”，表示在域名的传输和更新方面受到限制。

• emails：列出了用于与域名注册信息相关问题联系的电子邮件地址。在这里，联系邮箱是 “[e-mail]”，这是阿里云的服务邮箱。

• dnssec：这是指定域名是否启用了 DNSSEC（域名系统安全扩展）。在这里，域名的 DNSSEC 设置是 “unsigned”，即未启用。

• state：这个字段提供了域名注册人所在的州或地区。在这里，注册人所在地是 “bei jing”，即北京。

• country：这个字段提供了注册人所在的国家/地区。在这里，注册人所在国家是 “CN”，即中国。

这些信息提供了关于域名注册和管理的详细信息，包括注册商、注册人所在地、到期日期等等。

---

上述内容即关于网站的背景调研方法；