由 dawei 在我抓取网站遇到瓶颈，想剑走偏锋去解决时，常常会先去看下该网站的 robots.txt 文件，有时会给你打开另一扇抓取之门。
写爬虫有很多苦恼的事情，比如：
1.访问频次太高被限制;
2.如何大量发现该网站的 URL;
3.如何抓取一个网站新产生的 URL，等等;
这些问题都困扰着爬虫选手，如果有大量离散 IP 和账号，这些都不是问题，但是绝大部分公司都不具备这个条件的。
我们在工作中写的爬虫大多是一次性和临时性的任务，需要你快速完成工作就好，当遇到上面情况，试着看下 robots.txt 文件。
举个栗子：
老板给你布置一个任务，把豆瓣每天新产生的影评，书评，小组帖子，同城帖子，个人日志抓取下来。
初想一下，这任务得有多大，豆瓣有 1.6 亿注册用户，光是抓取个人日志这一项任务，每个人的主页你至少每天要访问一次。
这每天就得访问 1.6 亿次，小组/同城帖子等那些还没算在内。
设计一个常规爬虫，靠着那几十个 IP 是完不成任务的。
初窥robots.txt
当老板给你了上面的任务，靠着你这一两杆枪，你怎么完成，别给老板讲技术，他不懂，他只想要结果。
我们来看下豆瓣的 robots.txt。
- https://www.douban.com/robots.txt
看图片上面红框处，是两个 sitemap 文件
打开 sitemap_updated_index 文件看一下：
里面是一个个压缩文件，文件里面是豆瓣头一天新产生的影评，书评，帖子等等，感兴趣的可以去打开压缩文件看一下。
也就是说每天你只需要访问这个 robots.txt 里的 sitemap 文件就可以知道有哪些新产生的 URL。
不用去遍历豆瓣网站上那几亿个链接，极大节约了你的抓取时间和爬虫设计复杂度，也降低了豆瓣网站的带宽消耗，这是双赢啊，哈哈。
上面通过 robots.txt 的 sitemap 文件找到了抓取一个网站新产生 URL 的偏方。沿着该思路也能解决发现网站大量 URL 的问题。
再举个栗子：
老板又给你一个任务，老板说上次抓豆瓣你说要大量 IP 才能搞定抓豆瓣每天新产生的帖子，这次给你 1000 个 IP 把天眼查上的几千万家企业工商信息抓取下来。
看着这么多 IP 你正留着口水，但是分析网站后发现这类网站的抓取入口很少(抓取入口是指频道页，聚合了很多链接的那种页面)。
很容易就把储备的 URL 抓完了，干看着这么多 IP 工作不饱满。
如果一次性能找到这个网站几万乃至几十万个 URL 放进待抓队列里，就可以让这么多 IP 工作饱满起来，不会偷懒了。
我们来看他的robots.txt文件：
- https://www.tianyancha.com/robots.txt
打开红框处的 sitemap，里面有 3 万个公司的 URL，上图是 1 月 3 号生成的，那个URL 是根据年月日生成的，你把 URL 改成 1 月 2 号，又能看到 2 号的sitemap里的几万个公司 URL，这样就能发现十几万个种子 URL 供你抓取了。
PS：上面的 sitemap 其实也能解决抓取天眼查最近更新的，新产生 URL 的问题。
小小的一个取巧，既降低了爬虫设计的复杂度，又降低了对方的带宽消耗。
这在工作中非常适用，工作中不会在意你用的框架多好，只在意你做事的快慢和好坏。
善于看 robots.txt 文件你会发现一些别有洞天的东西。
【编辑推荐】
- 针对WebView测试的五种Python框架
- 从C++转Python：要改变你的思维方式
- 从项目的 GitHub 星星数看2018年 JavaScript 生态圈
- 分享几款由“Python”语言编写的“有趣、恶搞、好玩”的程序代码
- TypeScript 官方决定全面采用 ESLint
【责任编辑：武晓燕 TEL：（010）68476606】
点赞 0