关于robots.txt

  • robots.txt有什么用?
    如果您不希望互联网爬虫(又叫蜘蛛、Crawler、Spider等)抓取您网站的每一个公开的链接,而只抓取您指定的某一部分链接,或根本不抓取任何链接,你可以使用robots.txt向我们汇报爬虫信息。

  • 怎么使用robots.txt?
    建议您在站点的根目录下存放一个robots.txt文件。我们的爬虫在第一次抓取您站点时会首先确认根目录下是否有robots.txt文件。例如,您的网站地址是www.abc.com,我们会首先抓取http://www.abc.com/robots.txt再进行后续操作。如无法访问robots.txt文件,系统则默认为您站点的每个链接都可以被抓取。
  • 怎么写robots.txt文件?
    robots.txt是个很简单的文本文件,您只要标明“谁不能访问哪些链接”即可。
    在文件的第一行写:
    User-Agent: YoudaoBot
    这就告诉了爬虫下面的描述是针对名叫YoudaoBot的爬虫。您还可以写:
    User-Agent: *
    这就意味着向所有的爬虫开放。需要注意的是一个robots.txt文件里只能有一个"User-Agent: *"。

    接下来是不希望被访问的链接前缀。例如:
    Disallow: /private
    这就告诉爬虫不要抓取以"/private"开头的所有链接。包括/private.html,/private/some.html,/private/some/haha.html。如果您写成:
    Disallow: /
    则表明整个站点都不希望被访问。您也可以分多行来指定不希望被抓取的链接前缀,例如:
    Disallow: /tmp
    Disallow: /disallow
    那么所有以"/tmp"和"/disallow"开头的链接都不会被访问了。

    最后形成的robots.txt文件如下:
    User-Agent: YoudaoBot
    Disallow: /tmp
    Disallow: /private

    请注意,如果您的robots.txt文件里有中文等非英语字符,请确定该文件是由UTF-8编码编写。
  • 怎样分别指定不同的网络爬虫?
    这个操作很简单,只要分别指定“谁能或不能访问怎样的链接”即可。例如:
    User-Agent:  YoudaoBot
    Disallow: 

    User-Agent: *
    Disallow: /private
    上面的robots.txt表明,名为YoudaoBot的爬虫可以抓所有的内容,其它名称的爬虫不能抓以"/private"开头的链接。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值