90 lines
3.5 KiB
HTML
90 lines
3.5 KiB
HTML
<h1><span style="font-size: 14px;">robots.txt用于禁止网络爬虫访问网站指定目录。robots.txt的格式采用面向行的语法：空行、注释行（以#打头）、规则行。规则行的格式为：Field: value。常见的规则行：User-Agent、Disallow、Allow行。</span></h1>
|
||
<p>User-Agent行</p>
|
||
<pre>User-Agent: robot-name
|
||
User-Agent: *
|
||
</pre>
|
||
<p>Disallow和Allow行</p>
|
||
<pre>Disallow: /path
|
||
Disallow: # 空字符串，起通配符效果，全禁止
|
||
|
||
Allow: /path
|
||
Allow: # 空字符串，起通配符效果，全允许
|
||
</pre>
|
||
<h2>搜索引擎的User-Agent对应名称</h2>
|
||
<table>
|
||
<tbody>
|
||
<tr><th>搜索引擎</th><th>User-Agent值</th></tr>
|
||
<tr>
|
||
<td>Google</td>
|
||
<td>googlebot</td>
|
||
</tr>
|
||
<tr>
|
||
<td>百度</td>
|
||
<td>baiduspider</td>
|
||
</tr>
|
||
<tr>
|
||
<td>雅虎</td>
|
||
<td>slurp</td>
|
||
</tr>
|
||
<tr>
|
||
<td>MSN</td>
|
||
<td>msnbot</td>
|
||
</tr>
|
||
<tr>
|
||
<td>Alexa</td>
|
||
<td>is_archiver</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
<p>我在Linux上抓包观察到的一些搜索引擎访问记录：</p>
|
||
<pre># tcpdump -n -nn -A -l -s1024 'tcp port 80'|grep User-Agent
|
||
User-Agent: Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)
|
||
User-Agent: Googlebot-Image/1.0
|
||
User-Agent: Feedfetcher-Google; (+http://www.google.com/feedfetcher.html; 5 subscribers; feed-id=4619555564728728616)
|
||
User-Agent: Mozilla/5.0(compatible; Sosospider/2.0; +http://help.soso.com/webspider.htm)
|
||
User-Agent: Mozilla/5.0 (compatible; YoudaoBot/1.0; http://www.youdao.com/help/webmaster/spider/; )
|
||
User-Agent: Mozilla/5.0 (compatible; JikeSpider; +http://shoulu.jike.com/spider.html)
|
||
</pre>
|
||
<p>JikeSpider是即刻搜索（人民搜索）。</p>
|
||
<h2>robots.txt的补充</h2>
|
||
<p>如果你没有对网站根目录的写入权限（无法建立robots.txt文件），或你想要某个指定的网页不被搜索引擎收录，可以使用<a href="http://www.berlinix.com/html/header.php#meta">元标签</a>阻止爬虫访问：</p>
|
||
<pre> name="robots" content="noindex">
|
||
|
||
name="googlerobot" content="noindex">
|
||
|
||
</pre>
|
||
<p>robots元标记的默认值为"index,follow"，它的取值可以是（来自<a href="http://support.google.com/webmasters/bin/answer.py?hl=zh-Hans&answer=79812" target="_blank">Google站长帮助</a>）：</p>
|
||
<dl><dt>noindex</dt><dd>防止网页被编入索引。</dd><dt>nofollow</dt><dd>防止googlebot从此页面中跟踪链接。</dd><dt>noarchive</dt><dd>防止Google显示网页的快照链接。</dd><dt>noimageindex</dt><dd>不被Google图片搜索索引。</dd></dl>
|
||
<h1>现实中的robots.txt</h1>
|
||
<h2>淘宝屏蔽百度</h2>
|
||
<p>淘宝屏蔽了百度抓取（2008年9月），http://www.taobao.com/robots.txt的内容：</p>
|
||
<pre>User-agent: Baiduspider
|
||
Disallow: /
|
||
|
||
User-agent: baiduspider
|
||
Disallow: /
|
||
</pre>
|
||
<h2>百度与360的搜索引擎之争</h2>
|
||
<p>2012年8月，360推出搜索引擎，并与百度发生正面冲突。百度工程师跑出来说360违反robots协议，偷窃百度内容。以百度知道为例，http://zhidao.baidu.com/robots.txt的内容大致是这样：</p>
|
||
<pre>User-agent: Baiduspider
|
||
Disallow: /w?
|
||
Allow: /
|
||
|
||
User-agent: Googlebot
|
||
User-agent: MSNBot
|
||
User-agent: Baiduspider-image
|
||
User-agent: YoudaoBot
|
||
User-agent: Sogou web spider
|
||
User-agent: Sogou inst spider
|
||
User-agent: Sogou spider2
|
||
User-agent: Sogou blog
|
||
User-agent: Sogou News Spider
|
||
User-agent: Sogou Orion spider
|
||
User-agent: JikeSpider
|
||
User-agent: Sosospider
|
||
Allow: /
|
||
|
||
User-agent: *
|
||
Disallow: /
|
||
</pre>
|
||
<p>也就是说对360爬虫而言，应该走最后一条规则，也就是禁止抓取百度知道所有内容。但从360搜索看，有百度知道的内容。</p> |