搜索引擎在爬取网站前会做什么?
一般来说搜索引擎爬取网站时都会,先读取下robots.txt文件,并依照里面所设定的规则去爬取网站(当然是指没用登录限制的页面)
robots.txt文件的内容和结构是怎样的?
- robots.txt文件必须是放在文件根目录上:
例如:
admin
└─templates
header.tpl.php
task_add.tpl.php
└─robots.txt
首先常用的命令为
- User-agent : 可以具体制定User-agent适用,即搜索引擎的名字,如果为 * 的话则为通配
- Disallow : 可以设定档案或文件夹,不允许被爬虫爬取,且为 / 时禁止爬取整站 ,也可以指定文件路径,不可爬取
- Crawl-delay: 延时爬取,防止爬虫短时间内爬取网站过快导致网站崩溃,则可以设置该延时
- Allow : 允许爬取指定页面, 为 / 时爬取整站
搜索引擎别称
- Googlebot 谷歌
- Baiduspider 百度
- 等等
搜索引擎的好处和坏处是什么?
- 不好的地方会增加网站的访问负荷;有时,还会涉及到用户的隐私;
- 好的地方也是增加了访问流量;
一般彻底防止爬虫用什么方法?
- 如果需要防止的话,就需要监测网站,把一些不良网络爬虫的给堵止掉,一般是封IP。
- robots.txt只能防止有品的爬虫来爬
如何使用robots禁止各大搜索引擎爬虫爬取网站
- 原来一般来说搜索引擎爬取网站时都会,先读取下robots.txt文件,并依照里面所设定的规则去爬取网站(当然是指没用登录限制的页面)
- 下面我们就来说一说如何设置robots.txt文件
- robots.txt文件必须是放在文件根目录上:
例如:
admin
└─templates
header.tpl.php
task_add.tpl.php
└─robots.txt
首先常用的命令为
- User-agent : 可以具体制定User-agent适用,即搜索引擎的名字,如果为 * 的话则为通配
- Disallow : 可以设定档案或文件夹,不允许被爬虫爬取,且为 / 时禁止爬取整站 ,也可以指定文件路径,不可爬取
- Crawl-delay: 延时爬取,防止爬虫短时间内爬取网站过快导致网站崩溃,则可以设置该延时
- Allow : 允许爬取指定页面, 为 / 时爬取整站
搜索引擎别称
- Googlebot 谷歌
- Baiduspider 百度
- 等等
类似我们测试环境就设置了
User-agent : / 所有搜索引擎
Disallow : / 禁止整站
总结
User-agent: *
Disallow: /
就可以了..
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。
评论(0)