首页 > 常识 > 互联网 > 网站制作 > 网站推广

怎样分别指定不同的网络爬虫?

作者:  时间:2016-04-20
描述:如果您不希望互联网爬虫(又叫蜘蛛、Crawler、Spider等)抓取您网站的每一个公开的链接,而只抓取您指定的某一部分链接,或根本不抓取任何链接,你可以使用robots.txt向我们汇报爬虫信息。
《生活宝典shenghuobaodian.com》讯 如果您不希望互联网爬虫(又叫蜘蛛、Crawler、Spider等)抓取您网站的每一个公开的链接,而只抓取您指定的某一部分链接,或根本不抓取任何链接,你可以使用robots.txt向我们汇报爬虫信息。
 
关于robots.txt
 
robots.txt有什么用?
 
如果您不希望互联网爬虫(又叫蜘蛛、Crawler、Spider等)抓取您网站的每一个公开的链接,而只抓取您指定的某一部分链接,或根本不抓取任何链接,你可以使用robots.txt向我们汇报爬虫信息。
 
怎么使用robots.txt?
 
建议您在站点的根目录下存放一个robots.txt文件。我们的爬虫在第一次抓取您站点时会首先确认根目录下是否有robots.txt文件。例如,您的网站地址是www.abc.com,我们会首先抓取http://www.abc.com/robots.txt再进行后续操作。如无法访问robots.txt文件,系统则默认为您站点的每个链接都可以被抓取。
 
怎么写robots.txt文件?
 
robots.txt是个很简单的文本文件,您只要标明“谁不能访问哪些链接”即可。
 
在文件的第一行写:
 
User-Agent: YoudaoBot
 
这就告诉了爬虫下面的描述是针对名叫YoudaoBot的爬虫。您还可以写:
 
User-Agent: *
 
这就意味着向所有的爬虫开放。需要注意的是一个robots.txt文件里只能有一个"User-Agent: *"。
 
接下来是不希望被访问的链接前缀。例如:
 
Disallow: /private
这就告诉爬虫不要抓取以"/private"开头的所有链接。包括/private.html,/private/some.html,/private/some/haha.html。如果您写成:
Disallow: /
则表明整个站点都不希望被访问。您也可以分多行来指定不希望被抓取的链接前缀,例如:
Disallow: /tmp
Disallow: /disallow
那么所有以"/tmp"和"/disallow"开头的链接都不会被访问了。
 
最后形成的robots.txt文件如下:
User-Agent: YoudaoBot
Disallow: /tmp
Disallow: /private
 
请注意,如果您的robots.txt文件里有中文等非英语字符,请确定该文件是由UTF-8编码编写。
 
怎样分别指定不同的网络爬虫?
 
这个操作很简单,只要分别指定“谁能或不能访问怎样的链接”即可。例如:
 
User-Agent:  YoudaoBot
Disallow: 
 
User-Agent: *
Disallow: /private
 
上面的robots.txt表明,名为YoudaoBot的爬虫可以抓所有的内容,其它名称的爬虫不能抓以"/private"开头的链接。

从手机浏览器访问《生活宝典》

站内搜索
  • 怎样分别指定不同的网络爬虫?
  • 微商帮
    世界网站大全
    中国科研团队:大象的长鼻子是如何越变越长了
    中国科研团队:大象的长
    自己是否能够像自己想的那样做成一件事,身旁人的判断会比自己准确
    自己是否能够像自己想
    火宫殿:吃喝玩乐看,烧香拜神佛,红火的庙会经济
    火宫殿:吃喝玩乐看,烧香
    眼见为实也不为实,更须谨慎看到的并非全貌
    眼见为实也不为实,更须