网站下的robots

    面试某软,被面试官问道:你做爬虫,知不知道很多网站下都有个robots文件?

    答曰:不知。

    于是面试官给我演示了一遍~

    遂卒。首战惨败。

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

    比如必应搜索www.bing.com的根目录下有这么一个文件:http://www.bing.com/robots.txt,其内容如下:

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能够爬取,哪些不行。

    下面摘自维基百科:

    

robots.txt(统一小写)是一种存放于网站根目录下的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),此网站中的哪些内容是不应被搜索引擎的漫游器获取的,哪些是可以被漫游器获取的。因为一些系统中的URL是大小写敏感的,所以robots.txt的文件名应统一为小写。robots.txt应放置于网站的根目录下。如果想单独定义搜索引擎的漫游器访问子目录时的行为,那么可以将自定的设置合并到根目录下的robots.txt,或者使用robots元数据(Metadata,又称元数据)。

robots.txt协议并不是一个规范,而只是约定俗成的,所以并不能保证网站的隐私。注意robots.txt是用字符串比较来确定是否获取URL,所以目录末尾有与没有斜杠“/”表示的是不同的URL。robots.txt允许使用类似"Disallow: *.gif"这样的通配符

转载请注明:康瑞部落 » 网站下的robots
展开阅读全文
©️2020 CSDN 皮肤主题: 书香水墨 设计师: CSDN官方博客 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值