爬虫协议robots-阿里云开发者社区

开发者社区> 大数据> 正文
登录阅读全文

爬虫协议robots

简介:

Robots协议(也称为爬虫协议、机器人协议等)全称是“网络爬虫排除标准”(Robots Exclusion Protocol),网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取。本文将详细介绍爬虫协议robots

 

概述

  robots.txt文件是一个文本文件,是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的

  当一个搜索蜘蛛访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,如果存在,搜索机器人就会按照该文件中的内容来确定访问的范围;如果该文件不存在,所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面

【原则】

  Robots协议是国际互联网界通行的道德规范,基于以下原则建立:

  1、搜索技术应服务于人类,同时尊重信息提供者的意愿,并维护其隐私权;

  2、网站有义务保护其使用者的个人信息和隐私不被侵犯

  [注意]robots.txt必须放置在一个站点的根目录下,而且文件名必须全部小写

 

写法

【User-agent】

  下面代码中*代表的所有的搜索引擎种类,*是一个通配符,表示所有的搜索机器人

User-agent: *

  下面代码表示百度的搜索机器人

User-agent: Baiduspider

【Disallow】

  下面代码表示禁止爬寻admin目录下面的目录

Disallow: /admin/

  下面代码表示禁止抓取网页所有的.jpg格式的图片

Disallow: /.jpg$

  下面代码表示禁止爬取ab文件夹下面的adc.html文件

Disallow:/ab/adc.html

  下面代码表示禁止访问网站中所有包含问号 (?) 的网址

Disallow: /*?*

  下面代码表示禁止访问网站中所有页面

Disallow: /

【Allow】

  下面代码表示允许访问以".html"为后缀的URL

Allow: .html$

  下面代码表示允许爬寻tmp的整个目录

Allow: /tmp

 

用法

  下面代码表示允许所有的robot访问网站所有的页面

User-agent: *Allow: /

  下面代码表示禁止所有搜索引擎访问网站的任何部分

User-agent: *Disallow: /

  下面代码表示禁止百度的机器人访问其网站下其所有的目录

User-agent: Baiduspider
Disallow: /

  下面代码表示禁止所有搜索引擎访问网站的cgi-bin、tmp、~joe这三个目录下的文件

User-agent: *Disallow: /cgi-bin/Disallow: /tmp/Disallow: /~joe/

 

误区

  【误区一】:网站上的所有文件都需要蜘蛛抓取,那就没必要在添加robots.txt文件了。反正如果该文件不存在,所有的搜索蜘蛛将默认能够访问网站上所有没有被口令保护的页面

  每当用户试图访问某个不存在的URL时,服务器都会在日志中记录404错误(无法找到文件)。每当搜索蜘蛛来寻找并不存在的robots.txt文件时,服务器也将在日志中记录一条404错误,所以应该在网站中添加一个robots.txt

  【误区二】:在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取,这样可以增加网站的收录率

  网站中的程序脚本、样式表等文件即使被蜘蛛收录,也不会增加网站的收录率,还只会浪费服务器资源。因此必须在robots.txt文件里设置不要让搜索蜘蛛索引这些文件















本文转自xsster51CTO博客,原文链接:http://blog.51cto.com/12945177/1948446 ,如需转载请自行联系原作者


版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享: