名前¶

WWW::RobotsRules - robots.txtファイルの解析

概要¶

 use WWW::RobotRules;
 my $rules = WWW::RobotRules->new('MOMspider/1.0');

 use LWP::Simple qw(get);

 {
   my $url = "http://some.place/robots.txt";
   my $robots_txt = get $url;
   $rules->parse($url, $robots_txt) if defined $robots_txt;
 }

 {
   my $url = "http://some.other.place/robots.txt";
   my $robots_txt = get $url;
   $rules->parse($url, $robots_txt) if defined $robots_txt;
 }

 # Now we can check if a URL is valid for those servers
 # whose "robots.txt" files we've gotten and parsed:
 if($rules->allowed($url)) {
     $c = get $url;
     ...
 }

説明¶

このモジュールは <http://www.robotstxt.org/wc/norobots.html> の "A Standard for Robot Exclusion" で定義されている /robots.txt を解析します。 Webマスターは /robots.txt を使って、対応しているロボットに対して、 自分たちの Web サイトの一部分へのアクセスを禁止することができます。

解析されるファイルは WWW::RobotRules に格納され、与えられた URL への アクセスが許されていれば、このオブジェクトはチェックのためのメソッドを 提供します。 同じ WWW::RobotRules オブジェクトは、任意の数のホストの複数の /robots.txt ファイルを解析することができます。

以下のメソッドが提供されます:

$rules = WWW::RobotRules->new($robot_name)

This is the constructor for WWW::RobotRules objects. The first argument given to new() is the name of the robot.

WWW::RobotRules オブジェクトのためのコンストラクタ。 new() に与えられる最初の引数はそのロボットの名前です。

$rules->parse($robot_txt_url, $content, $fresh_until)

The parse() method takes as arguments the URL that was used to retrieve the /robots.txt file, and the contents of the file.

parse() メソッドは引数として /robots.txt ファイルとその内容を 取り出すために使われる URL を取ります。

$rules->allowed($uri)

Returns TRUE if this robot is allowed to retrieve this URL.

ロボットがその URL を取り出すことが許されていれば、真を返します。

$rules->agent([$name])

Get/set the agent name. NOTE: Changing the agent name will clear the robots.txt rules and expire times out of the cache.

エージェント名を取得／設定します。 注意:エージェント名を変えると、robots.txt ルールとキャッシュの 期限切れがクリアされます。

ROBOTS.TXT¶

"/robots.txt" ファイルの形式と意味は以下の通りです (これは <http://www.robotstxt.org/wc/norobots.html> の概要を編集しています):

ファイルは一つまたは複数レコードにより構成され、一つまたは複数の 空行により分割されます。各レコードは以下のような形式の行が入ります:

  <field-name>: <value>

フィールド名は大文字小文字を区別します。 '#' という文字の後のテキストは解析のとき無視されます。 これはコメントに使われます。以下の<field-names>を使うことが出来ます:

User-Agent

The value of this field is the name of the robot the record is describing access policy for. If more than one User-Agent field is present the record describes an identical access policy for more than one robot. At least one field needs to be present per record. If the value is '*', the record describes the default access policy for any robot that has not not matched any of the other records.

このフィールドの値はロボットの名前です。 レコードがこのアクセス・ポリシーを記述します。 複数のUser-Agent フィールドがあれば、そのレコードは同じアクセス・ポリシーを 複数のロボットについて記述してます。 レコードにつき少なくとも１つのフィールドが存在することが必要です。 もし値が '*' であれば、そのレコードは、他のレコードにマッチしなかった すべてのロボットついてのデフォルトのアクセス・ポリシーについて 記述しています。

The User-Agent fields must occur before the Disallow fields. If a record contains a User-Agent field after a Disallow field, that constitutes a malformed record. This parser will assume that a blank line should have been placed before that User-Agent field, and will break the record into two. All the fields before the User-Agent field will constitute a record, and the User-Agent field will be the first field in a new record.

User-Agent フィールドは Disallow フィールドの前になければなりません。 Disallow フィールドの後に User-Agent フィールドがあると、 不正なレコードとなります。 このパーサは User-Agent フィールドの前に空行があることを仮定していて、 これによりレコードを分割します。 User-Agent フィールドの後の全てのフィールドはレコードを構成し、 User-Agent フィールドは新しいレコードの最初のフィールドです。

Disallow

The value of this field specifies a partial URL that is not to be visited. This can be a full path, or a partial path; any URL that starts with this value will not be retrieved

このフィールドの値は訪れてはいけない部分的な URL を指定します。 フルパスでもパスの一部でも指定することが出来ます; この値から始まる すべての URL は取り出されません。

robots.txt の例¶

以下の "/robots.txt" ファイルの例は、"/cyberworld/map" または "/tmp/"から 始まる URL にロボットは訪れてはいけないということを指定しています:

  User-agent: *
  Disallow: /cyberworld/map/ # This is an infinite virtual URL space
  Disallow: /tmp/ # these will soon disappear

この "/robots.txt" ファイルは "cybermapper" というロボットを除く、 すべてのロボットは "/cyberworld/map" から始まる URL に 訪れてはいけないということを指定します:

  User-agent: *
  Disallow: /cyberworld/map/ # This is an infinite virtual URL space

  # Cybermapper knows where to go.
  User-agent: cybermapper
  Disallow:

この例はロボットはこのサイトにはこれより先に訪れてはいけないということを 示します:

  # go away
  User-agent: *
  Disallow: /

これは不正な robots.txt ファイルの例です。

  # robots.txt for ancientcastle.example.com
  # I've locked myself away.
  User-agent: *
  Disallow: /
  # The castle is your home now, so you can go anywhere you like.
  User-agent: Belle
  Disallow: /west-wing/ # except the west wing!
  # It's good to be the Prince...
  User-agent: Beast
  Disallow: 

このファイルは、レコードの間に要求されている空行がありません。 しかし、意図は明確です。

SEE ALSO¶

LWP::RobotUA, WWW::RobotRules::AnyDBM_File