美文网首页
亚马逊网站robots协议解读

亚马逊网站robots协议解读

作者: SandyMeow | 来源:发表于2018-05-10 16:47 被阅读59次

    网络爬虫引发的问题:性能骚扰、法律风险、隐私泄露。

    网络爬虫的"性能骚扰":web服务器默认接受人类访问,受限于编写水平和目的,网络爬虫将会为web服务器带来巨大的资源的开销。

    网络爬虫的法律风险:服务器上的数据有产权归属,网络爬虫获取数据后牟利将会带来法律的风险。

    最后是网络爬虫的隐私泄露:网络爬虫可能具备突破简单访问的控制能力,获取被保护的数据,从而泄露个人隐私。

                                                            ---若与 https://www.jianshu.com/p/d16076661d40

    在分析亚马逊的robots协议之前我们先应该明确的是网络爬虫会带来的风险和问题,这样才能更好的理解亚马逊为什么禁止网络爬虫访问这些内容,如果访问的话会造成什么危害。


    最简单的robots.txt只有两个规则:

    User-agent:指定对哪些爬虫生效

    Disallow:指定要屏蔽的网址


    接下来以亚马逊的robots协议为例,分析其内容。

    首先,先来分析亚马逊对于网络爬虫的限制。是否有有“特殊权限”的爬虫?

    User-agent: *

    爬虫抓取时会声明自己的身份,这就是User-agent,就是http协议里的User-agent。robots.txt利用User-agent来区分各个引擎的爬虫。

    *代表该内容下面Disallow的部分是禁止所有爬虫爬取的。因此robots协议中提及的“禁区”是针对于所有网络爬虫的,没有单独提及的爬虫。

    输入robots协议中不允许爬取的部分的网页出现的页面

    与之对应来看,我们会发现淘宝的robots协议中明确禁止百度的网络爬虫爬取。而百度的一些网站是允许百度爬虫任意爬取的。

    接下来分析亚马逊向网络爬虫屏蔽的内容有哪些。

    Disallow 行列出的是要拦截的网页,以正斜线 (/) 开头,可以列出特定的网址或模式。要屏蔽整个网站,使用正斜线即可;要屏蔽某一目录以及其中的所有内容,在目录名后添加正斜线;要屏蔽某个具体的网页,就指出这个网页。

    下面代表wishlist中允许访问的目录universal*、 vendor-button* 、get-button*

    Disallow: /wishlist/

    Allow: /wishlist/universal*

    Allow: /wishlist/vendor-button*

    Allow: /wishlist/get-button*

    仔细观察禁止访问,发现了一些“看得懂”的内容:

    Disallow: /dp/e-mail-friend/

    Disallow: /dp/manual-submit/

    Disallow: /dp/product-availability/

    Disallow: /dp/rate-this-item/

    Disallow: /dp/shipping/

    Disallow: /gp/history

    Disallow: /gp/offer-listing

    Disallow: /gp/product/e-mail-friend

    Disallow: /gp/product/product-availability

    Disallow: /gp/product/rate-this-item

    Disallow: /gp/twitter/

    其中禁止了网络爬虫模仿用户的行为进行诸如给商品评分、发送电子邮件、分享到twitter的行为,这是十分合理的。试想若是不禁止网络爬虫模仿用户的行为,不仅可能会给网站的性能造成影响,可能会出现爬虫造成的恶意评分,以亚马逊名义发送内容无法保证的邮件的事件的发生。这样的行为会对亚马逊的交易环境和形象产生影响。

    同时禁止爬虫访问历史、物流信息的请求可以避免用户的交易信息泄露造成麻烦。

    下面禁止访问的内容诸如登陆、退出账户,身份,订单地址、详细信息、历史、修改、记录,推荐浏览,浏览量,选择支付方式,选择物流,物流查询,购物车等。

    Disallow: /mn/bookLookInsideApp

    Disallow: /mn/checkInitApp

    Disallow: /mn/checkoutAlertMsgApp

    Disallow: /mn/checkoutredirectApp

    Disallow: /mn/loginApplication

    Disallow: /mn/loyaltyApp

    Disallow: /mn/orderAddrApp

    Disallow: /mn/orderDetailAppDisallow: /mn/orderHistoryApp

    Disallow: /mn/orderModifyApp

    Disallow: /mn/orderSummaryApp

    Disallow: /mn/paymentRedriveApp

    Disallow: /mn/recommendReviewApp

    Disallow: /mn/releaseReviewApp

    Disallow: /mn/reviewVoteApplication

    Disallow: /mn/selectPaymentMethodApp

    Disallow: /mn/selectShippingOpptionApplication

    Disallow: /mn/shipmentTraceApp

    Disallow: /mn/shoppingCartApplication

    Disallow: /mn/virtualAccountApp

    Disallow: /mn/yourAccountApp

    其中的很多禁止爬取的都是已登录的账户才可以访问的内容,若是不禁止网络爬虫进行访问,则可能会出现网络爬虫模拟用户操作进行操作的现象发生,造成用户隐私泄露。

    禁止爬虫爬取浏览量,浏览内容,推荐浏览等内容是亚马逊防止信息被爬取后被挪作他用牟利,比如“复制网站”的情况发生。

    相关文章

      网友评论

          本文标题:亚马逊网站robots协议解读

          本文链接:https://www.haomeiwen.com/subject/cegqlftx.html