21.10. urllib.robotparser — robots.txt 的解析器 — Python 文档

21.10. urllib.robotparser — robots.txt 的解析器

源代码： :source:`Lib/urllib/robotparser.py`

---

这个模块提供了一个单一的类，RobotFileParser，它回答了关于特定用户代理是否可以在发布 robots.txt 文件的网站上获取 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=)

此类提供读取、解析和回答有关 url 上的 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)

解析行参数。

can_fetch(useragent, url)

如果允许 useragent 根据解析的 robots.txt 文件中包含的规则获取 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 文件的长时间运行的网络蜘蛛非常有用。

modified()

将 robots.txt 文件上次提取的时间设置为当前时间。

crawl_delay(useragent)

返回来自 robots.txt 的 useragent 的 Crawl-delay 参数值。 如果没有这样的参数或者它不适用于指定的 useragent 或者该参数的 robots.txt 条目的语法无效，则返回 None。

3.6 版中的新功能。

request_rate(useragent)

从 robots.txt 返回 Request-rate 参数的内容作为 命名元组 RequestRate(requests, seconds)。 如果没有这样的参数或者它不适用于指定的 useragent 或者该参数的 robots.txt 条目的语法无效，则返回 None。

3.6 版中的新功能。

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