Robots.txt是一種專門用于搜索引擎網絡爬蟲的文件，當構造一個網站時，如果作者希望該網站的內容被搜索引擎收錄，就可以在網站中創建一個純文本文件robots.txt，在這個文件中，聲明該網站不想被robot訪問的部分。這樣，該網站的部分或全部內容就可以不被搜索引擎收錄了，或者指定搜索引擎只收錄指定的內容。

　　Heritrix在其說明文檔中，表明它是一個完全遵守robots.txt協議的網絡爬蟲。這一點固然在宣傳上起到了一定的作用。但是，在實際的網頁采集過程中，這并不是一種最好的作法。因為大部分的網站并不會放置一個robots.txt文件以供搜索引擎讀取，在互聯網信息以幾何級數增長的今天，網站總是在希望自己的內容不被人所利用的同時，又希望自己能夠被更多的用戶從搜索引擎上檢索到。

　　不過幸好，robots.txt協議本身只是一種附加的協議，網站本身并不能了解究竟哪些Socket聯接屬于爬蟲哪些屬于正常的瀏覽器連接。所以，不遵守robos.txt協議成為了更多搜索引擎的首選。

　　使用過Heritrix的朋友就會發現這樣一個問題，如果當一個網站沒有放置robots.txt文件時，Heritrix總是要花上大量的時間試圖去訪問這樣一個文件，甚至可能retry很多次。這無疑很大的降低了抓取效率。因此，為了提高抓取的效率，可以試著將對robots.txt的訪問部分去除。

　　在Heritrix中，對robots.txt文件的處理是處于PreconditionEnforcer這個Processor中的。PreconditionEnforcer是一個Prefetcher，當處理時，總是需要考慮一下當前這個鏈接是否有什么先決條件要先被滿足的，而對robots.txt的訪問則正好是其中之一。在PreconditionEnforcer中，有一個private類型的方法，它的方法簽名為：
private boolean considerRobotsPreconditions(CrawlURI curi)

　　PreconditionEnforcer文件的路徑是：org.archive.crawler.prefetch.PreconditionEnforcer.java。

　　?把PreconditionEnforcer.java中的private boolean considerRobotsPreconditions(CrawlURI curi){}修改為

1 private boolean considerRobotsPreconditions(CrawlURI curi) { 2 return false; 3 }

　　或者把代碼的實現部分注釋掉，最后return語句改為return false;

　　該方法的含義為：在進行對參數所表示的鏈接的抓取前，看一下是否存在一個由robots.txt所決定的先決條件。很顯然，如果對每個鏈接都有這樣的處理。那么，很有可能導致整個抓取任務的失敗。因此，需要對它進行調整。

　　這個方法返回true時的含義為需要考慮robots.txt文件，返回false時則表示不需要考慮robots.txt文件，可以繼續將鏈接傳遞給后面的處理器。所以，最簡單的修改辦法就是將這個方法整個注釋掉，只留下一個false的返回值。經過筆者的試驗，這種方法完全可行，抓取的速度提高了至少一半以上！

轉載于:https://www.cnblogs.com/zhjsll/p/4265477.html

總結

以上是生活随笔為你收集整理的在Prefetcher中取消robots.txt的限制的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。