urllib.robotparser --- robots.txt 用のパーサー¶
ソースコード: Lib/urllib/robotparser.py
このモジュールでは単一のクラス、 RobotFileParser を提供します。このクラスは、特定のユーザエージェントが robots.txt ファイルを公開している Web サイトのある URL を取得可能かどうかの質問に答えます。 robots.txt ファイルの構造に関する詳細は http://www.robotstxt.org/orig.html を参照してください。
- class urllib.robotparser.RobotFileParser(url='')¶
url の
robots.txtに対し読み込み、パーズ、応答するメソッドを提供します。- set_url(url)¶
robots.txtファイルを参照するための URL を設定します。
- read()¶
robots.txtURL を読み出し、パーザに入力します。
- parse(lines)¶
引数 lines の内容を解釈します。
- can_fetch(useragent, url)¶
解釈された
robots.txtファイル中に記載された規則に従ったとき、 useragent が url を取得してもよい場合にはTrueを返します。
- mtime()¶
robots.txtファイルを最後に取得した時刻を返します。この値は、定期的に新たなrobots.txtをチェックする必要がある、長時間動作する Web スパイダープログラムを実装する際に便利です。
- modified()¶
robots.txtファイルを最後に取得した時刻を現在の時刻に設定します。
- crawl_delay(useragent)¶
当該の ユーザーエージェント 用の
robots.txtのCrawl-delayパラメーターの値を返します。そのようなパラメーターが存在しないか、指定された ユーザーエージェント にあてはまらない、もしくはrobots.txtのこのパラメーターのエントリの構文が無効な場合は、Noneを返します。Added in version 3.6.
- request_rate(useragent)¶
robots.txtのRequest-rateパラメーターの内容を named tupleRequestRate(requests, seconds)として返します。そのようなパラメーターが存在しないか、指定された ユーザーエージェント にあてはまらない、もしくはrobots.txtのこのパラメーターのエントリの構文が無効な場合は、Noneを返します。Added in version 3.6.
以下に RobotFileParser クラスの利用例を示します。
>>> 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