站点下的robots

    面试某软，被面试官问道：你做爬虫。知不知道非常多站点下都有个robots文件？

    答曰：不知。

    于是面试官给我演示了一遍~

    遂卒。首战慘败。

    下来查了维基百科。基本了解robots。https://zh.wikipedia.org/wiki/Robots.txt

    比方必应搜索www.bing.com的根文件夹下有这么一个文件：http://www.bing.com/robots.txt，其内容例如以下：

User-agent: msnbot-media 
Disallow: /
Allow: /shopping/$
Allow: /shopping$
Allow: /th?
 
User-agent: Twitterbot
Disallow: 
 
User-agent: *
Disallow: /account/
Disallow: /bfp/search
Disallow: /bing-site-safety
Disallow: /blogs/search/
Disallow: /entities/search
Disallow: /fd/
Disallow: /history
Disallow: /hotels/search
...

    这个文件的作用是。告诉搜索引擎该域名下那些文件可以爬取，哪些不行。

    以下摘自维基百科：

    

robots.txt（统一小写）是一种存放于站点根文件夹下的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），此站点中的哪些内容是不应被搜索引擎的漫游器获取的，哪些是能够被漫游器获取的。由于一些系统中的URL是大写和小写敏感的，所以robots.txt的文件名称应统一为小写。

robots.txt应放置于站点的根文件夹下。假设想单独定义搜索引擎的漫游器訪问子文件夹时的行为。那么能够将自定的设置合并到根文件夹下的robots.txt，或者使用robots元数据（Metadata，又称元数据）。

robots.txt协议并非一个规范。而仅仅是约定俗成的，所以并不能保证站点的隐私。注意robots.txt是用字符串比較来确定是否获取URL。所以文件夹末尾有与没有斜杠“／”表示的是不同的URL。robots.txt同意使用类似"Disallow: *.gif"这种通配符

转载请注明：康瑞部落 » 站点下的robots