什么是robots.txt文件
的有关信息介绍如下:robots协议(也称为爬虫协议、爬虫规则、机器人协议 等)也就是robots.txt,网站通过robots协议告诉搜索 引擎哪些页面可以抓取,哪些页面不希望被抓取。
有什么作用
Robots协议是网站国际互联网界通行的道德规范,其 目的是保护网站数据和敏感信息、确保用户个人信息和 隐私不被侵犯。
因其不是命令,故需要搜索引擎自觉遵守。
一个网站为什么要写robots.txt
1、保护网站安全
2、节省流量
3、禁止搜索引擎收录部分页面
4、引导蜘蛛爬网站地图
淘宝的robots.txt
淘宝的robots.txt
京东的robots.txt
Robots.txt放置位置
Robots.txt文件应该放置在网站根目录下
例如:当spider访问一个网站(http://www.xxx.com)时,首先会检查该网站中是否存在http://www.xxx.com/robots.txt这个文件,如果 Spider找到这个文件,它就会根据这个文件的内容,来确定它访问权限的范围。
Robots.txt文件的写法
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: /*?* 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: .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
百度站长平台创建robots