爬虫系统以及robots协议

爬虫

爬虫，是一种自动获取网页内容的程序。是搜索引擎的重要组成部分，百度会定期去爬取网页，做语义化分析，分析出对应数据库里面的索引，
因此搜索引擎优化很大程度上就是针对爬虫而做出的优化。只要爬虫爬出来的东西给力，用户搜索出来的东西给很有用

robots协议

搜索引擎里面有一个很重要的东西robots协议，就是一个正常的文本文件，只要建一个txt文件，名为robots.txt，放到网站的根目录下，robots.txt是爬虫查看的第一个文件，然后分析robots.txt，定义规则那些东西不给爬，这个是一个网络认可的协议，如果违反这个协议，就会 违反法律
robots.txt是一个文本文件，robots.txt是一个协议，不是_个命令。robots.txt是爬虫要查看的第一个文件。robots.txt文件告诉爬虫在服务器上什么文件是可以被查看的，搜索机器人就会按照该文件中的内容来确定访问的范围。

robots.txt文件语法

字段名	取值	说明
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/	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
Sitemap	网站地图	告诉爬虫这个页面是网站地图

例子

例子1：禁止任何爬虫引擎爬取任何信息

在网站根目录下的robots.txt添加如下代码

User-agent: *
Disallow: /

例子2：禁止任何爬虫引擎爬取任何信息

不允许百度爬虫爬取

User-agent: Baiduspider
Disallow: /
User-agent: baiduspider
Disallow: /

例子3：允许任何爬虫爬取

只需在网站根目录新建一个空的robots.txt文件即可