- 最新活动 HOT
-
产品中心
服务器租用
DDOS 防护
-
服务定制
服务定制
- 合作共赢
- 数据中心
- 关于我们
来源:恒创科技 编辑:恒创科技编辑部 时间:2021-11-15 15:45
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。
搜索引擎 | User-Agent |
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 |
Hong Kong
+852 5104 3232