查看爬虫协议

Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。——百度百科

爬网页之前，要先查看爬虫协议。

查看爬虫协议的方法：主域名/robots.txt

User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符

Disallow: /admin/  禁止爬寻admin目录下面的目录

Disallow: /require/  禁止爬寻require目录下面的目录

Disallow: /ABC/  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/　允许爬寻cgi-bin目录下面的目录

Allow: /tmp 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