面试某软,被面试官问道:你做爬虫。知不知道非常多站点下都有个robots文件?
答曰:不知。
于是面试官给我演示了一遍~
遂卒。首战慘败。
下来查了维基百科。基本了解robots。https://zh.wikipedia.org/wiki/Robots.txt
比方必应搜索www.bing.com的根文件夹下有这么一个文件:http://www.bing.com/robots.txt,其内容例如以下:
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可以爬取,哪些不行。
以下摘自维基百科:
robots.txt(统一小写)是一种存放于站点根文件夹下的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),此站点中的哪些内容是不应被搜索引擎的漫游器获取的,哪些是能够被漫游器获取的。由于一些系统中的URL是大写和小写敏感的,所以robots.txt的文件名称应统一为小写。
robots.txt应放置于站点的根文件夹下。假设想单独定义搜索引擎的漫游器訪问子文件夹时的行为。那么能够将自定的设置合并到根文件夹下的robots.txt,或者使用robots元数据(Metadata,又称元数据)。
robots.txt协议并非一个规范。而仅仅是约定俗成的,所以并不能保证站点的隐私。注意robots.txt是用字符串比較来确定是否获取URL。所以文件夹末尾有与没有斜杠“/”表示的是不同的URL。robots.txt同意使用类似"Disallow: *.gif"这种通配符
转载请注明:康瑞部落 » 站点下的robots