小白问个爬虫问题

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 2319 天前的主题，其中的信息可能已经有所发展或是发生改变。

想爬点 ZOL 的手机数据，看到 http://detail.zol.com.cn/robots.txt 上面似乎限制爬虫爬取
Disallow: https://detail.zol.com.cn/*

我理解，这样爬虫就无法访问产品数据了？这怎么办呢？有什么变通方法可以爬取。

爬虫

disallow

想爬点

ZOL

16 条回复 • 2018-07-19 10:43:10 +08:00

Ethanp

2018-07-18 18:05:56 +08:00 via Android

你都知道看 robots 了不小白了

alvin666

2018-07-18 18:07:57 +08:00 via Android

悄悄，慢慢地爬，自己用，或者换网站。
人家不让你爬，无解

xpresslink

2018-07-18 18:08:27 +08:00

那个 robots.txt 主要是给搜索引擎来指引的。和你没有什么关系。

geekcorn

2018-07-18 18:09:33 +08:00 via iPhone

robots.txt 只是对搜索引擎爬虫的建议性限制吧，理论上正常用户在客户端浏览器能看到什么，操作什么，机器就可以做到什么

b821025551b

2018-07-18 18:11:01 +08:00

robots.txt 只是君子协议。。。就比如你家门开着，贴张纸，写着小偷别进来，小偷就真不进了么。。。

0x5f

2018-07-18 18:12:02 +08:00

伪造正常浏览器 ua 啊

liupanhi

2018-07-18 18:17:23 +08:00

你确实是小白,哈哈哈

frmongo

2018-07-18 18:19:08 +08:00

@liupanhi 给小弟指点下嘛，别只一笑而过

dcalsky

2018-07-18 18:25:39 +08:00 via Android

@frmongo 你发 http request 的时候，把 header 里的 user-agent 字段改成其他的。

dcalsky

2018-07-18 18:29:00 +08:00 via Android

@frmongo 但是其实也不用做任何多余的事情，因为 robotstxt 只是一个声明，遵不遵守全看写爬虫人的意思。

arctanx

2018-07-18 19:00:46 +08:00

楼主很有节操 233

ml1344677

2018-07-18 19:04:21 +08:00

破坏计算机信息罪了解一下 23333

musclepanda

2018-07-18 20:52:17 +08:00

你用 scrapy 的？ scrapy 在设置文件里面设置下就好了，有一个 Allow_robots 这样的设定，关了就好

frmongo

2018-07-19 10:42:01 +08:00

@arctanx 哈哈

frmongo

2018-07-19 10:42:15 +08:00

@ml1344677 我擦...

frmongo

2018-07-19 10:43:10 +08:00

@musclepanda 我用的 python2 的 request，写了个很简单的，伪装成 360 的 agent,可以用