外贸建站 宁波,有没有做logo的网站,如何做音乐分享类网站,个人做网站外包价格如何算什么是蜘蛛抓取
搜索引擎使用spider程序自动访问互联网上的网页并获取网页信息。spider在访问一个网站时#xff0c;会首先会检查该网站的根域下是否有一个叫做robots.txt的纯文本文件。您可以在您的网站中创建一个纯文本文件robots.txt#xff0c;在文件中声明该网站中不想…什么是蜘蛛抓取
搜索引擎使用spider程序自动访问互联网上的网页并获取网页信息。spider在访问一个网站时会首先会检查该网站的根域下是否有一个叫做robots.txt的纯文本文件。您可以在您的网站中创建一个纯文本文件robots.txt在文件中声明该网站中不想被robot访问的部分或者指定搜索引擎只收录特定的部分。
请注意仅当您的网站包含不希望被搜索引擎收录的内容时才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容请勿建立robots.txt文件或者创建一个内容为空的robots.txt文件。
robots.txt 放置位置
robots.txt文件应该放置在网站根目录下。举例来说当spider访问一个网站(比如http://www.xxside.com)时首先会检查该网站中是否存在http://www.xxside.com/robots.txt这个文件如果 Spider找到这个文件它就会根据这个文件的内容来确定它访问权限的范围。
robots.txt 格式
文件包含一条或更多的记录这些记录通过空行分开(以CR,CR/NL, or NL作为结束符)每一条记录的格式如下所示”:”。在该文件中可以使用#进行注解。该文件中的记录通常以一行或多行User-agent开始后面加上若干Disallow和Allow行,详细情况如下。
User-agent:
该项的值用于描述搜索引擎robot的名字。在”robots.txt”文件中如果有多条User-agent记录说明有多个robot会受到”robots.txt”的限制对该文件来说至少要有一条User-agent记录。 如果该项的值设为则对任何robot均有效在”robots.txt”文件中”User-agent:”这样的记录只能有一条。如果在”robots.txt”文件中加入”User- agent:SomeBot”和若干Disallow、Allow行那么名为”SomeBot”只受到”User-agent:SomeBot”后面的 Disallow和Allow行的限制。
Disallow:
该项的值用于描述不希望被访问的一组URL这个值可以是一条完整的路径也可以是路径的非空前缀以Disallow项的值开头的URL不会被robot访问。例 如”Disallow: /help”禁止robot访问/help.html、/help/index.html 而”Disallow: /help/”则允许robot访问/help.html不能访问/help/index.html。 “Disallow:”说明允许robot访问该网站的所有url在”/robots.txt”文件中至少要有一条Disallow记录。如果”/robots.txt”不存在或者为空文件则对于所有的搜索引擎robot该网站都是开放的。
Allow:
该项的值用于描述希望被访问的一组URL与Disallow项相似这个值可以是一条完整的路径也可以是路径的前缀以Allow项的值开头的URL是允许robot访问的。例如”Allow:/hibaidu”允许robot访问/hibaidu.htm、/hibaiducom.html、 /hibaidu/com.html。一个网站的所有URL默认是Allow的所以Allow通常与Disallow搭配使用实现允许访问一部分网页同时禁止访问其它所有URL的功能。 需要特别注意的是Disallow与Allow行的顺序是有意义的robot会根据第一个匹配成功的 Allow或Disallow行确定是否访问某个URL。 使用””和”$” Baiduspider 支持使用通配符””和”$”来模糊匹配url。 “$” 匹配行结束符。 “*” 匹配0或多个任意字符。
robots.txt文件用法举例
01.允许所有的robot访问 User-agent: * Allow: / 或者 User-agent: * Disallow: 02.禁止所有搜索引擎访问网站的任何部分 User-agent: * Disallow: / 03.仅禁止Baiduspider访问您的网站 User-agent: Baiduspider Disallow: / 04.仅允许Baiduspider访问您的网站 User-agent: Baiduspider Disallow: 05.禁止spider访问特定目录 User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ 06.允许访问特定目录中的部分url User-agent: * Allow: /cgi-bin/see Allow: /tmp/hi Allow: /~joe/look Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ 07.使用”*”限制访问url 禁止访问/cgi-bin/目录下的所有以”.htm”为后缀的URL(包含子目录)。 User-agent: * Disallow: /cgi-bin/*.htm 08.使用”$”限制访问url 仅允许访问以”.htm”为后缀的URL。 User-agent: * Allow: .htm$ Disallow: / 09.禁止访问网站中所有的动态页面 User-agent: * Disallow: /*?* 10.禁止Baiduspider抓取网站上所有图片 仅允许抓取网页禁止抓取任何图片。 User-agent: Baiduspider Disallow: .jpg$ Disallow: .jpeg$ Disallow: .gif$ Disallow: .png$ Disallow: .bmp$ 11.仅允许Baiduspider抓取网页和.gif格式图片 允许抓取网页和gif格式图片不允许抓取其他格式图片 User-agent: Baiduspider Allow: .gif$ Disallow: .jpg$ Disallow: .jpeg$ Disallow: .png$ Disallow: .bmp$ 12.仅禁止Baiduspider抓取.jpg格式图片 User-agent: Baiduspider Disallow: .jpg$
