云计算服务
服务器租用
DDOS 防护
虚拟主机
域名服务
基础设施
关于我们
问题描述
用户使用虚拟主机搭建的网站被爬虫访问，耗费大量流量和带宽的处理方法。
解决方案
在站点根目录下创建 robots.txt文件，robots.txt 文件是网站的一个文件，搜索引擎抓取网站数据时，首先就是抓取的该文件，根据里面的内容决定对网站文件访问的范围。它能够保护我们的一些文件不暴露在搜索引擎之下，从而有效的控制爬虫的抓取路径。
说明：robots 协议也叫 robots.txt，robots 协议不是强制协议，部分搜索引擎或者伪装成搜索引擎的爬虫不会遵守该协议，对于不遵守该协议的情况，以下方法无效。
根据更多信息中的搜索引擎和其对应的 User-Agent，Robots.txt 代码样例如下所示：
• 禁止所有搜索引擎访问网站的任何位置。
User-agent: Disallow: /
• 允许所有的搜索引擎访问网站的任何位置。
User-agent: Disallow:
• 仅禁止Baiduspider搜索引擎访问您的网站。
User-agent: Baiduspider Disallow: /
• 仅允许Baiduspider访问您的网站。
User-agent: Baiduspider Disallow:
• 禁止spider搜索引擎访问特定目录。
User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /data/
说明：特定三个目录需要分别并列写。请注意最后需要带斜杠。
• 允许访问特定目录中的部分URL，实现a目录下只有b.htm允许访问。
User-agent: * Allow: /a/b.htm Disallow: /a/
更多信息
目前搜索引擎和其对应的 User-Agent 如下所示。
<td width="217"
User-Agent
搜索引擎 | |
AltaVista | Scooter |
baidu | Baiduspider |
Infoseek | Infoseek |
Hotbot | Slurp |
AOL Search | Slurp |
Excite | ArchitextSpider |
Googlebot | |
Goto | Slurp |
Lycos | Lycos |
MSN | Slurp |
Netscape | Googlebot |
NorthernLight | Gulliver |
WebCrawler | ArchitextSpider |
Iwon | Slurp |
Fast | Fast |
DirectHit | Grabber |
Yahoo Web Pages | Googlebot |
LooksmartWebPages | Slurp |
.png)
.png)
