网站的robots.txt文件

什么是robots.txt？

robots.txt是一个纯文本文件，是爬虫抓取网站的时候要查看的第一个文件，一般位于网站的根目录下。robots.txt文件定义了爬虫在爬取该网站时存在的限制，哪些部分爬虫可以爬取，哪些不可以爬取（防君子不防小人）

更多robots.txt协议信息参考：www.robotstxt.org

在爬取网站之前，检查robots.txt文件可以最小化爬虫被封禁的可能

下面是百度robots.txt协议的一部分：https://www.baidu.com/robots.txt

 User-agent: Baiduspider
 Disallow: /baidu
 Disallow: /s?
 Disallow: /ulink?
 Disallow: /link?
 Disallow: /home/news/data/

 User-agent: Googlebot
 Disallow: /baidu
 Disallow: /s?
 Disallow: /shifen/
 Disallow: /homepage/
 Disallow: /cpro
 Disallow: /ulink?
 Disallow: /link?
 Disallow: /home/news/data/

 User-agent: MSNBot
 Disallow: /baidu
 Disallow: /s?
 Disallow: /shifen/
 Disallow: /homepage/
 Disallow: /cpro
 Disallow: /ulink?
 Disallow: /link?
 Disallow: /home/news/data/

 User-agent: Baiduspider-image
 Disallow: /baidu
 Disallow: /s?
 Disallow: /shifen/
 Disallow: /homepage/
 Disallow: /cpro
 Disallow: /ulink?
 Disallow: /link?
 Disallow: /home/news/data/

 User-agent: YoudaoBot
 Disallow: /baidu
 Disallow: /s?
 Disallow: /shifen/
 Disallow: /homepage/
 Disallow: /cpro
 Disallow: /ulink?
 Disallow: /link?
 Disallow: /home/news/data/

 User-agent: Sogou spider2
 Disallow: /baidu
 Disallow: /s?
 Disallow: /shifen/
 Disallow: /homepage/
 Disallow: /cpro
 Disallow: /ulink?
 Disallow: /link?
 Disallow: /home/news/data/

 User-agent: Sogou blog
 Disallow: /baidu
 Disallow: /s?
 Disallow: /shifen/
 Disallow: /homepage/
 Disallow: /cpro
 Disallow: /ulink?
 Disallow: /link?
 Disallow: /home/news/data/

 User-agent: Sogou News Spider
 Disallow: /baidu
 Disallow: /s?
 Disallow: /shifen/
 Disallow: /homepage/
 Disallow: /cpro
 Disallow: /ulink?
 Disallow: /link?
 Disallow: /home/news/data/

78 User-agent: *
79 Disallow: /

robots.txt中的参数含义：

1. User-agent：描述搜索引擎spider的名字。在“robots.txt“文件中，如果有多条 User-agent记录，说明有多个robot会受到该协议的约束。所以，“robots.txt”文件中至少要有一条User- agent记录。如果该项的值设为*（通配符），则该协议对任何搜索引擎机器人均有效。在“robots.txt”文件 中，“User-agent：*”这样的记录只能有一条。

2. Disallow: / 禁止访问的路径

例如，Disallow: /home/news/data/，代表爬虫不能访问/home/news/data/后的所有URL，但能访问/home/news/data123

Disallow: /home/news/data，代表爬虫不能访问/home/news/data123、/home/news/datadasf等一系列以data开头的URL。

前者是精确屏蔽，后者是相对屏蔽

3.  Allow：/允许访问的路径

例如，Disallow：/home/后面有news、video、image等多个路径

接着使用Allow：/home/news，代表禁止访问/home/后的一切路径，但可以访问/home/news路径