urllib.robotparser --- robots.txt 的剖析器¶
此模組 (module) 提供了一個單獨的類別 (class) RobotFileParser，它可以知道某個特定 user agent（使用者代理）是否能在有發布 robots.txt 文件的網站 fetch（擷取）特定 URL。有關 robots.txt 文件結構的更多細節，請參閱 http://www.robotstxt.org/orig.html。
-
class
urllib.robotparser.RobotFileParser(url='')¶ 此類別提供了一些方法可以讀取、剖析和回答關於 url 上的
robots.txt文件的問題。-
set_url(url)¶ 設置指向
robots.txt文件的 URL。
-
read()¶ 讀取
robots.txtURL 並將其輸入到剖析器。
-
parse(lines)¶ 剖析 lines 引數。
-
can_fetch(useragent, url)¶ 根據從
robots.txt文件中剖析出的規則，如果 useragent 被允許 fetch url 的話，則回傳True。
-
mtime()¶ 回傳最近一次 fetch
robots.txt文件的時間。這適用於需要定期檢查robots.txt文件更新情況的長時間運行網頁爬蟲。
-
modified()¶ 將最近一次 fetch
robots.txt文件的時間設置為當前時間。
-
crawl_delay(useragent)¶ 針對指定的 useragent 從
robots.txt回傳Crawl-delay參數的值。如果此參數不存在、不適用於指定的 useragent ，或是此參數在robots.txt中所指的條目含有無效語法，則回傳None。3.6 版新加入.
-
request_rate(useragent)¶ 以 named tuple
RequestRate(requests, seconds)的形式從robots.txt回傳Request-rate參數的內容。如果此參數不存在、不適用於指定的 useragent ，或是此參數在robots.txt中所指的條目含有無效語法，則回傳None。3.6 版新加入.
-
下面的範例展示了 RobotFileParser 類別的基本用法：
>>> 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