标签: 

了解什么是robots.txt爬虫协议

Robots.txt即爬虫协议,是搜索引擎蜘蛛进入网站第一个寻找的文件,它告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取。

当我们网站出现错误页面,或者某些页面不想让蜘蛛爬取时,合理的配置robots协议可以让蜘蛛更高效快捷的爬取到需要抓取的内容。当搜索引擎蜘蛛进入网站,首先查找网站根目录下是否存在robots.txt文件,若存在,则按照该文件的规范抓取内容;若不存在该文件,则按照默认的规则爬取网站中所有网页。因此,本文介绍一些robots语法和常用实例。

网站设置robots.txt的好处:禁止搜索引擎收录部分页面;引导蜘蛛爬网站地图;能够一定程度上保护网站安全;节省流量等。

image.

robots基本语法:

1.定义搜索引擎:User-agent

微信截图_20190624173251.

2.Disallow 禁止爬取

微信截图_20190624173402.

3.Allow 允许。默认情况下,都是允许的。

例如:禁止admin文件夹下的所有文件,除了.html的网页。如果用Disallow一个一个的禁止,太浪费时间了。

此时用Allow就解决这个问题:

微信截图_20190624173526.

4.$结束符

例:允许所有的以.html结尾的文件。不管前面有多长的URL,只要以.html结尾都允许

微信截图_20190624173942.

5.*通配符符号0或多个任意字符

例:屏蔽所有的动态URL

微信截图_20190624174143.

6.Sitemap 声明网站地图

微信截图_20190624174233.

7.根据UA分组

微信截图_20190624174342.

注:

robots.txt文件存放在网站根目录下

文件名所有字母都必须小写(robots.txt)

sitemap声明、通配符(*、$)等为Google专有,非RFC标准

您可能还会对下面的文章感兴趣:

    评论



    cache
    Processed in 0.002235 Second.