我开发了一个网络爬虫,现在我想尊重我正在爬行的网站的robots.txt文件。
我看到这是robots.txt文件结构:
User-agent: *
Disallow: /~joe/junk.html
Disallow: /~joe/foo.html
Disallow: /~joe/bar.html
我可以逐行读取,然后使用带有空格字符的爆炸作为分隔符来查找数据。
还有其他方法可以加载整个数据吗?
这种文件有像 XPath 那样的语言吗?
或者我必须解释整个文件吗?
欢迎任何帮助,甚至是链接,如果发现重复...
结构非常简单,因此您能做的最好的事情可能就是自己解析文件。我会逐行阅读它,正如你所说,寻找诸如用户代理、禁止等关键字。