关于web爬虫的tips

标签：爬虫

1. 网站爬虫限制默认在心中
   robots.txt 
   

2. 爬一个网站怎么预测爬的量
   
   
   

3. 每个网站都使用各种各样的技术，怎么确定网站使用的技术
   pip install builtwith
   

    >>> import builtwith

    >>> builtwith.parse(‘http://www.douban.com‘)

   {u‘javascript-frameworks‘: [u‘jQuery‘], u‘tag-managers‘: [u‘Google Tag Manager‘], u‘analytics‘: [u‘Piwik‘]}

   
   
   

4. #网站的所属者
   pip install python-whois
   >>> print whois.whois(‘cnblogs.com‘)
   {
     "updated_date": [
       "2014-11-12 00:00:00", 
       "2014-11-12 01:07:15"
     ], 
     "status": [
       "clientDeleteProhibited https://icann.org/epp#clientDeleteProhibited", 
       "clientTransferProhibited https://icann.org/epp#clientTransferProhibited"
     ], 
     "name": "du yong", 
     "dnssec": "unsigned", 
     "city": "Shanghai", 
     "expiration_date": [
       "2021-11-12 00:00:00", 
       "2021-11-11 04:00:00"
     ], 
     "zipcode": "201203", 
     "domain_name": [
       "CNBLOGS.COM", 
       "cnblogs.com"
     ], 
     "country": "CN", 
     "whois_server": "whois.35.com", 
     "state": "Shanghai", 
     "registrar": "35 Technology Co., Ltd.", 
     "referral_url": "http://www.35.com", 
     "address": "Room 312, No.22 BOXIA Rd, Pudong New District", 
     "name_servers": [
       "NS3.DNSV4.COM", 
       "NS4.DNSV4.COM", 
       "ns3.dnsv4.com", 
       "ns4.dnsv4.com"
     ], 
     "org": "Shanghai Yucheng Information Technology Co. Ltd.", 
     "creation_date": [
       "2003-11-12 00:00:00", 
       "2003-11-11 04:00:00"
     ], 
     "emails": [
       "abuse@35.cn", 
       "dudu.yz@gmail.com"
     ]
   }

本文出自 “similarface” 博客，请务必保留此出处http://similarface.blog.51cto.com/3567714/1861494

关于web爬虫的tips

标签：爬虫

原文地址：http://similarface.blog.51cto.com/3567714/1861494