urllib.robotparser
— Парсер для robots.txt¶
Источник: Lib/urllib/robotparser.py
Этот модуль предоставляет один класс, RobotFileParser
, который отвечает на вопросы о том, может ли конкретный агент пользователя получить URL-адрес веб-сайта, опубликовавшего файл robots.txt
. Более подробную информацию о структуре файлов robots.txt
см. на сайте http://www.robotstxt.org/orig.html.
- class urllib.robotparser.RobotFileParser(url='')¶
Этот класс предоставляет методы для чтения, разбора и ответов на вопросы о файле
robots.txt
по адресу url.- set_url(url)¶
Устанавливает URL, ссылающийся на файл
robots.txt
.
- read()¶
Считывает
robots.txt
URL и передает его парсеру.
- parse(lines)¶
Разбирает аргумент lines.
- can_fetch(useragent, url)¶
Возвращает
True
, если агенту пользователя разрешено получить url в соответствии с правилами, содержащимися в разобранномrobots.txt
файле.
- mtime()¶
Возвращает время, когда файл
robots.txt
был получен в последний раз. Это полезно для долго работающих веб-пауков, которым необходимо периодически проверять наличие новыхrobots.txt
файлов.
- modified()¶
Устанавливает время последнего извлечения файла
robots.txt
на текущее время.
- crawl_delay(useragent)¶
Возвращает значение параметра
Crawl-delay
изrobots.txt
для данного useragent. Если такого параметра нет, или он не относится к указанному useragent, или записьrobots.txt
для этого параметра имеет неверный синтаксис, возвращаетсяNone
.Added in version 3.6.
- request_rate(useragent)¶
Возвращает содержимое параметра
Request-rate
изrobots.txt
в виде named tupleRequestRate(requests, seconds)
. Если такого параметра нет, или он не относится к указанному агенту-пользователю, или записьrobots.txt
для этого параметра имеет неверный синтаксис, возвращаетсяNone
.Added in version 3.6.
Следующий пример демонстрирует базовое использование класса RobotFileParser
:
>>> 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