一般网站都会有robots.txt文件，在这个文件规定了允许网络爬虫访问的目录，也规定了禁止爬虫访问的目录。
要重视这个文件的原因是，访问了禁止目录，会被禁止你的ip地址访问
以下定义了一个网站地图爬虫，
def crawl_sitemap(url):
# download the sitemap file
sitemap = download(url)
# extract the sitemap links
links = re.findall(‘<loc>(.*?)</loc>‘, sitemap)
# download each link
for link in links:
html = download(link)
# scrape html here
# ...
原文：http://www.cnblogs.com/mrruning/p/7638441.html