一、什么是robots.txt
robots.txt 文件由一條或多條規則組成。每條規則可禁止(或允許)特定抓取工具抓取相應網站中的指定文件路徑。
通俗一點的說法就是:告訴爬蟲,我這個網站,你哪些能看,哪些不能看的一個協議。
二、為什么要使用robots.txt
搜索引擎(爬蟲),訪問一個網站,首先要查看當前網站根目錄下的robots.txt,然后依據里面的規則,進行網站頁面的爬取。
也就是說,robots.txt起到一個基調的作用,也可以說是爬蟲爬取當前網站的一個行為準則。
那使用robots.txt的目的,就很明確了。
- 更好地做定向SEO優化,重點曝光有價值的鏈接給爬蟲
- 將敏感文件保護起來,避免爬蟲爬取收錄
三、robots.txt的示例
栗子如下:
User-agent: Googlebot
Disallow: /nogooglebot/
User-agent: *
Allow: /
Sitemap: http://www.wangxiaokai.vip/sitemap.xml
解析:
名為“Googlebot”抓取工具的用戶代理不應抓取 http://wangxiaokai.vip/nogooglebot/ 文件夾或任何子目錄。
所有其他用戶代理均可訪問整個網站。(不指定這條規則也無妨,結果是一樣的,因為完全訪問權限是系統默認的前提。)
網站的站點地圖文件位于 http://www.wangxiaokai.vip/sitemap.xml
四、文件規范
1、文件格式和命名
- 文件格式為標準 ASCII 或 UTF-8
- 文件必須命名為 robots.txt
- 只能有 1 個 robots.txt 文件
2、文件位置
必須位于它所應用到的網站主機的根目錄下
3、常用的關鍵字
- User-agent
網頁抓取工具的名稱
- Disallow
不應抓取的目錄或網頁
- Allow
應抓取的目錄或網頁
- Sitemap
網站的站點地圖的位置
五、百度網盤的應用
百度網盤的資源,到博文編寫時間為止,已經不能用常用的搜索技巧site:pan.baidu.com 搜索關鍵字
的方式,在baidu.com
|google.com
|biying.com(國際版還可以勉強搜索到)
去搜索對應的資源。
禁止的方式,很大程度上是依靠robots.txt
,而不是請去喝茶??。
以下是訪問 http://pan.baidu.com/robots.txt
得到的規則:
image
可以看到,百度網盤封殺了所有資源文件入口。
最狠的是最后一句:
User-agent: *
Disallow: /
我只想說有資源真的可以為所欲為??
喜歡我文章的朋友,掃描以下二維碼,關注我的個人技術博客,我的技術文章會第一時間在博客上更新
點擊鏈接wall的個人博客
wall的個人博客