网络爬虫排除协议robots.txt介绍及写法详解.

以上内容转载自：http://www.xgezhang.com/serach_engine_robots.html

Robots协议的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），它的功能是通过Robots文件告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，抓取的标准等。它以一个文本文件的形式放在网站的根目录中，用任何一个常见的文本编辑器都可以对其进行修改和编辑。对于站长来说，合理的书写robots.txt文件可以更合理的利用搜索引擎，屏蔽掉一些低质量的页面，提高网站质量和对搜索引擎的友好度。

具体写法如下：

（*为通配符）

User-agent: * 代表的所有的搜索引擎种类，

Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录

Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录

Disallow: /ABC/ 这里定义是禁止爬寻ABC目录下面的目录

Disallow: /cgi-bin/*.htm 禁止访问/cgi-bin/目录下的所有以”.htm”为后缀的URL(包含子目录）。

Disallow: /*?* 禁止访问网站中所有包含问号 (?) 的网址

Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的图片

Disallow:/ab/adc.html 禁止爬取ab文件夹下面的adc.html文件。

Allow: /cgi-bin/　这里定义是允许爬寻cgi-bin目录下面的目录

Allow: /tmp 这里定义是允许爬寻tmp的整个目录

Allow: .htm$ 仅允许访问以”.htm”为后缀的URL。

Allow: .gif$ 允许抓取网页和gif格式图片

Sitemap: 网站地图告诉爬虫这个页面是网站地图

比如：

例1.禁止所有搜索引擎访问所有页面：

User-agent: *

Disallow: /

比如淘宝网就是这样写的，显然它不愿意搜索引擎收录太多的内页。

如果是允许所有搜索引擎访问，则把Disallow改为allow，或者直接在根目录放置一个空的robots.txt文件

例2.允许百度蜘蛛访问所有页面

User-agent: Baiduspider

allow:/

例3.禁止所有搜索引擎访问某些特定目录下的网站：

User-agent: *
Disallow: /01/
Disallow: /02/
Disallow: /03/

例4.为网站添加google site-map，比如这里添加本站的sitemap，在文件后面加上

Sitemap:http://www.xgezhang.com/sitemap.xml

写完后可以用google robots.txt检测器检测下语法是否正确，或者用一些站长工具分析一下。

如果不想自己写，网上也有robots自动生成器，也还是不错。

网络爬虫排除协议robots.txt介绍及写法详解.相关推荐

爬虫君子协议-robots.txt协议
文章目录一.定义二.用法一.定义 robots协议是一种约定俗称的爬虫协议,由网站主人规定了该网站的哪些内容可以爬取,哪些内容不可以爬取,擅自爬取可能承担相关法律责任.之所以称之为君子协议,是因 ...
【python实现网络爬虫22】唯品会商品信息实战步骤详解
唯品会商品信息实战 1. 目标网址和页面解析 2. 爬虫初探 3. 爬虫实操 3.1 进行商品id信息的爬取 3.2 商品id数据url构造 3.3 商品id数据格式转化及数量验证 3.4 商品详细信 ...
robots.txt介绍
robots.txt是一种存放于网站根目录下的ASCII编码的文本文件,它通常告诉网络搜索引擎的漫游器(又称网络蜘蛛),此网站中的哪些内容是不应被搜索引擎的漫游器获取的,哪些是可以被(漫游器)获取的. ...
Linux系统与网络、磁盘参数和日志监控等命令详解二
创作人QQ:851301776,邮箱:lfr890207@163.com, 欢迎大家一起技术交流,本博客主要是自己学习的心得体会,只为每天进步一点点! 个人座右铭: 1.没有横空出世,只要厚积一定发. ...
DL之DilatedConvolutions：Dilated Convolutions(膨胀卷积/扩张卷积)算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之DilatedConvolutions:Dilated Convolutions(膨胀卷积/扩张卷积)算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略目录 Dilated Con ...
DL之ShuffleNetV2：ShuffleNetV2算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之ShuffleNetV2:ShuffleNetV2算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略目录 ShuffleNetV2算法的简介(论文介绍) 1.论文特点 2.基于硬件 ...
DL之ShuffleNet：ShuffleNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之ShuffleNet:ShuffleNet算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略相关文章 DL之ShuffleNet:ShuffleNet算法的简介(论文介绍).架构详 ...
DL之MobileNetV2：MobileNetV2算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之MobileNet V2:MobileNet V2算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略目录 MobileNetV2算法的简介(论文介绍) MobileNet V2算法 ...
DL之MobileNet：MobileNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之MobileNet:MobileNet算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略目录 MobileNet算法的简介(论文介绍) 1.研究背景 2.传统的模型轻量化常用的方法 ...

网络爬虫排除协议robots.txt介绍及写法详解.

网络爬虫排除协议robots.txt介绍及写法详解.相关推荐

最新文章

热门文章