urllib.robotparser — Парсер для robots.txt

Исходный код: Lib/urllib/robotparser.py

Этот модуль предоставляет один класс, RobotFileParser, который отвечает на вопросы о том, может ли конкретный пользовательский агент получить доступ к URL на веб-сайте, который опубликовал файл robots.txt. Для получения более подробной информации о структуре файлов robots.txt см. http://www.robotstxt.org/orig.html.

class urllib.robotparser.RobotFileParser(url='')

Этот класс предоставляет методы для чтения, разбора и ответа на вопросы о файле robots.txt по адресу url.

set_url(url)

Устанавливает URL, указывающий на файл robots.txt.

read()

Читает URL robots.txt и передает его парсеру.

parse(lines)

Разбирает аргумент lines.

can_fetch(useragent, url)

Возвращает True, если useragent разрешено получать доступ к url в соответствии с правилами, содержащимися в обработанном файле robots.txt.

mtime()

Возвращает время последнего обращения к файлу robots.txt. Это полезно для веб-пауков с длительными циклами работы, которые нуждаются в периодической проверке новых файлов robots.txt.

modified()

Устанавливает время последнего обращения к файлу robots.txt на текущее время.

crawl_delay(useragent)

Возвращает значение параметра Crawl-delay из robots.txt для заданного useragent. Если такого параметра нет, он не применяется к указанному useragent или запись robots.txt для этого параметра имеет недопустимый синтаксис, возвращает None.

Введено в версии 3.6.

request_rate(useragent)

Возвращает содержимое параметра Request-rate из robots.txt в виде named tuple RequestRate(requests, seconds). Если такого параметра нет, он не применяется к указанному useragent или запись robots.txt для этого параметра имеет недопустимый синтаксис, возвращает None.

Введено в версии 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