【信安学习之路】robots.txt

一、背景

        最近报了某机构的PTE证书课程，让我简单做了一些CTF相关小测试看看是否有渗透基础，因大学毕业后有一段时间没有接触，准备重新捡起渗透的知识，做些笔记。

二、robots题过程

        打开第一，看到“robot”关键词，联想到“robots.txt”

        尝试输入“http://xxxxxxxxx/robots.txt”，显示key及其他相关信息，解题成功

三、robots.txt简单解析

        虽然做题可以直接使用“/robots.txt”进行解答，但是个人不太记得该文件具体用途，只记得极其重要，于是选择去查阅资料。

        百度百科给出的解释是：

        robots是网站跟爬虫间的协议，用简单直接的txt格式文本方式告诉对应的爬虫被允许的权限，也就是说robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。

        简单来说，robots.txt就是位于网站根目录的一个txt文本文件，主要的作用是告诉搜索引擎哪些页面可以抓取，哪些页面不可以抓取。一般我们查看它只需要输入：网站根目录/robots.txt

四、robots.txt内容语法

User-agent: 爬虫的名称

Disallow: 不允许爬虫访问的地址

 Allow: 允许爬虫访问的地址

注意：

•  所有字母需要用英文输入法。
•  ：与 * 之间需有一个英文输入法的空格。
•  ：与 / 之间需有一个英文输入法的空格。
• 地址的描述格式符合正则表达式(regex)的规则。
• 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"$"：robots支持使用通配符"*"和"$"来模糊匹配url，"$" 匹配行结束符，"*" 匹配0或多个任意字符。

五、常见robots.txt内容和示例

常见robots.txt内容：

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/ 这里定义是禁止爬寻admin目录下面的目录

Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录

Disallow: /ABC 这里定义是禁止爬寻ABC整个目录

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的动态页面

Disallow: .jpg$ 禁止抓取网页所有的.jpg格式的图片

Disallow:/ab/adc.html 禁止爬去ab文件夹下面的adc.html所有文件

Disallow: /admin/ 后台管理文件

Disallow: /require/ 程序文件

Disallow: /attachment/ 附件

Disallow: /images/

Disallow: /data/ 数据库文件

Disallow: /template/ 模板文件

Disallow: /css/ 样式表文件

Disallow: /lang/ 编码文件

Disallow: /script/ 脚本文件

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

Allow: /cgi-bin/　这里定义是允许爬寻cgi-bin目录下面的目录

Allow: /tmp 这里定义是允许爬寻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robots.txt文件用法举例

示例：

只允许搜索引擎访问网站首页：

User-agent: *
Disallow: /*

禁止任何搜索引擎索引网站的所有部分

user-agent: *
Disallow: /

禁止某个搜索引擎索引（比如百度）

user-agent: Baiduspider
Disallow: /

禁止除了百度外的一切搜索引擎索引

user-agent: Baiduspider
Disallow: user-agent: *
Disallow: /

禁止所有搜索引擎访问jpg图片

User-agent: * #用通配符表示

Disallow: .jpg$ 

六、robots.txt的作用

• 控制搜索引擎蜘蛛的访问：网站所有者可以通过robots.txt文件控制搜索引擎蜘蛛的访问，以限制蜘蛛只抓取特定的页面或目录，从而避免不必要的带宽消耗和服务器负载。
• 隐藏敏感页面：网站所有者可以使用robots.txt文件来阻止搜索引擎抓取某些敏感页面，例如账户管理、登录等页面，以避免这些敏感页面被搜索引擎收录和暴露在公共搜索结果中。
• 提高SEO效果：通过robots.txt文件，网站所有者可以指示搜索引擎如何处理网站内部链接和外部链接，从而提高SEO效果。
• 给搜索引擎提供重要信息：在robots.txt文件中，网站所有者可以提供其他有用的信息，例如Sitemap的地址、Crawl-delay（抓取时间间隔）、Host等信息，以帮助搜索引擎更好地理解和处理网站内容。

参考链接：

robots_百度百科 (baidu.com)
https://blog.csdn.net/qq_21891743/article/details/131136470