为什么手动访问和通过 ChromeDriver 和 Chrome 通过 Selenium 访问时 robots.txt 的内容不同

Question

我试图尊重 robots.txt 文件，同时进行网络爬网，但遇到了一些奇怪的事情。我试图访问的 robots.txt URL 是：https://podatki.gov.si/robots.txt

如果我在 Chrome 中打开此链接，我会得到：

User-agent: *
Disallow: /

但如果我使用 Internet Explorer 或 Selenium WebDriver (ChromeDriver) 打开此链接，我会得到：

#
# robots.txt
#
# This file is to prevent the crawling and indexing of certain parts
# of your site by web crawlers and spiders run by sites like Yahoo!
# and Google. By telling these "robots" where not to go on your site,
# you save bandwidth and server resources.
#
# This file will be ignored unless it is at the root of your host:
# Used:    http://example.com/robots.txt
# Ignored: http://example.com/site/robots.txt
#
# For more information about the robots.txt standard, see:
# http://www.robotstxt.org/robotstxt.html

User-agent: *
Crawl-delay: 10
# CSS, JS, Images
Allow: /misc/*.css$
Allow: /misc/*.css?
Allow: /misc/*.js$
Allow: /misc/*.js?
Allow: /misc/*.gif
Allow: /misc/*.jpg
Allow: /misc/*.jpeg
Allow: /misc/*.png
Allow: /modules/*.css$
Allow: /modules/*.css?
Allow: /modules/*.js$
Allow: /modules/*.js?
Allow: /modules/*.gif
Allow: /modules/*.jpg
Allow: /modules/*.jpeg
Allow: /modules/*.png
Allow: /profiles/*.css$
Allow: /profiles/*.css?
Allow: /profiles/*.js$
Allow: /profiles/*.js?
Allow: /profiles/*.gif
Allow: /profiles/*.jpg
Allow: /profiles/*.jpeg
Allow: /profiles/*.png
Allow: /themes/*.css$
Allow: /themes/*.css?
Allow: /themes/*.js$
Allow: /themes/*.js?
Allow: /themes/*.gif
Allow: /themes/*.jpg
Allow: /themes/*.jpeg
Allow: /themes/*.png
# Directories
Disallow: /includes/
Disallow: /misc/
Disallow: /modules/
Disallow: /profiles/
Disallow: /scripts/
Disallow: /themes/
# Files
Disallow: /CHANGELOG.txt
Disallow: /cron.php
Disallow: /INSTALL.mysql.txt
Disallow: /INSTALL.pgsql.txt
Disallow: /INSTALL.sqlite.txt
Disallow: /install.php
Disallow: /INSTALL.txt
Disallow: /LICENSE.txt
Disallow: /MAINTAINERS.txt
Disallow: /update.php
Disallow: /UPGRADE.txt
Disallow: /xmlrpc.php
# Paths (clean URLs)
Disallow: /admin/
Disallow: /comment/reply/
Disallow: /filter/tips/
Disallow: /node/add/
Disallow: /search/
Disallow: /user/register/
Disallow: /user/password/
Disallow: /user/login/
Disallow: /user/logout/
# Paths (no clean URLs)
Disallow: /?q=admin/
Disallow: /?q=comment/reply/
Disallow: /?q=filter/tips/
Disallow: /?q=node/add/
Disallow: /?q=search/
Disallow: /?q=user/password/
Disallow: /?q=user/register/
Disallow: /?q=user/login/
Disallow: /?q=user/logout/

为什么会这样？后者似乎是一个通用 robots.txt 文件，可能是自动生成的？

Answer 1

我观察到以下相同的行为：

• 当访问网页https://podatki.gov.si/robots.txt手动，我得到：

  User-agent: *
  Disallow: /
  

• 当使用 ChromeDriver 和 Chrome 访问网页 https://podatki.gov.si/robots.txt 时，我得到：

  #
  # robots.txt
  #
  # This file is to prevent the crawling and indexing of certain parts
  # of your site by web crawlers and spiders run by sites like Yahoo!
  # and Google. By telling these "robots" where not to go on your site,
  # you save bandwidth and server resources.
  #
  # This file will be ignored unless it is at the root of your host:
  # Used:    http://example.com/robots.txt
  # Ignored: http://example.com/site/robots.txt
  #
  # For more information about the robots.txt standard, see:
  # http://www.robotstxt.org/robotstxt.html
  
  User-agent: *
  Crawl-delay: 10
  # CSS, JS, Images
  Allow: /misc/*.css$
  Allow: /misc/*.css?
  Allow: /misc/*.js$
  Allow: /misc/*.js?
  Allow: /misc/*.gif
  Allow: /misc/*.jpg
  Allow: /misc/*.jpeg
  Allow: /misc/*.png
  Allow: /modules/*.css$
  Allow: /modules/*.css?
  Allow: /modules/*.js$
  Allow: /modules/*.js?
  Allow: /modules/*.gif
  Allow: /modules/*.jpg
  Allow: /modules/*.jpeg
  Allow: /modules/*.png
  Allow: /profiles/*.css$
  Allow: /profiles/*.css?
  Allow: /profiles/*.js$
  Allow: /profiles/*.js?
  Allow: /profiles/*.gif
  Allow: /profiles/*.jpg
  Allow: /profiles/*.jpeg
  Allow: /profiles/*.png
  Allow: /themes/*.css$
  Allow: /themes/*.css?
  Allow: /themes/*.js$
  Allow: /themes/*.js?
  Allow: /themes/*.gif
  Allow: /themes/*.jpg
  Allow: /themes/*.jpeg
  Allow: /themes/*.png
  # Directories
  Disallow: /includes/
  Disallow: /misc/
  Disallow: /modules/
  Disallow: /profiles/
  Disallow: /scripts/
  Disallow: /themes/
  # Files
  Disallow: /CHANGELOG.txt
  Disallow: /cron.php
  Disallow: /INSTALL.mysql.txt
  Disallow: /INSTALL.pgsql.txt
  Disallow: /INSTALL.sqlite.txt
  Disallow: /install.php
  Disallow: /INSTALL.txt
  Disallow: /LICENSE.txt
  Disallow: /MAINTAINERS.txt
  Disallow: /update.php
  Disallow: /UPGRADE.txt
  Disallow: /xmlrpc.php
  # Paths (clean URLs)
  Disallow: /admin/
  Disallow: /comment/reply/
  Disallow: /filter/tips/
  Disallow: /node/add/
  Disallow: /search/
  Disallow: /user/register/
  Disallow: /user/password/
  Disallow: /user/login/
  Disallow: /user/logout/
  # Paths (no clean URLs)
  Disallow: /?q=admin/
  Disallow: /?q=comment/reply/
  Disallow: /?q=filter/tips/
  Disallow: /?q=node/add/
  Disallow: /?q=search/
  Disallow: /?q=user/password/
  Disallow: /?q=user/register/
  Disallow: /?q=user/login/
  Disallow: /?q=user/logout/
  

---

robots.txt

根据robotstxt.org，网站所有者使用robots.txt 文件向网络机器人提供有关其网站的说明。这称为机器人排除协议。

它的工作原理如下：

• 机器人想要访问网站 URL，例如http://www.example.com/welcome.html。

• 在此之前，它首先检查http://www.example.com/robots.txt，然后找到：

  User-agent: *
  Disallow: /
  

  • User-agent: * 表示本节适用于所有机器人。
  • Disallow: / 告诉机器人它不应访问网站上的任何页面。

使用robots.txt时有两个重要的注意事项：

• 机器人可以忽略您的robots.txt。特别是扫描网络以查找安全漏洞的恶意软件机器人，以及垃圾邮件发送者使用的电子邮件地址收集器将不予理会。​​li>
• robots.txt 文件是公开可用的文件。任何人都可以看到您不希望机器人使用服务器的哪些部分。

---

结尾

在使用 ChromeDriver 和 Chrome 时，navigator.webdriver 定义了一种标准方式，用于合作 用户代理 来通知文档它是由 WebDriver 控制，因此可以在自动化期间触发备用代码路径。因此，您可以从robots.txt 看到更多内容。

您可以在Selenium webdriver: Modifying navigator.webdriver flag to prevent selenium detection找到相关讨论