如何使用robots禁止各大搜索引擎爬虫爬取网站

如何使用robots禁止各大搜索引擎爬虫爬取网站

一、总结

一句话总结：假如此网站禁止爬虫抓取,那么,只要在网站的根目录下,创建一个robots.txt文件

User-agent: *
Disallow: /
就可以了..

 

1、搜索引擎在爬取网站前会做什么？

一般来说搜索引擎爬取网站时都会，先读取下robots.txt文件，并依照里面所设定的规则去爬取网站（当然是指没用登录限制的页面）

 

2、robots.txt文件的内容和结构是怎样的？

　　　　1）.robots.txt文件必须是放在文件根目录上：
　　　　　　例如：

　　　　　　　　├─admin

　　　　　　　　│  └─templates

　　　　　　　　│          header.tpl.php

　　　　　　　　│          task_add.tpl.php

　　　　　　　　│   └─robots.txt

　　　　 2 ) .首先常用的命令为

　　　　　　　　User-agent : 可以具体制定User-agent适用，即搜索引擎的名字，如果为 * 的话则为通配

　　　　　　　　Disallow : 可以设定档案或文件夹，不允许被爬虫爬取，且为 / 时禁止爬取整站 ，也可以指定文件路径，不可爬取

　　　　　　　　Crawl-delay: 延时爬取，防止爬虫短时间内爬取网站过快导致网站崩溃，则可以设置该延时

　　　　　　　　Allow : 允许爬取指定页面， 为 / 时爬取整站

　　　　3） 搜索引擎别称

　　　　　　　　Googlebot 谷歌

 　　　　　　　　Baiduspider 百度

　　　　　　　　等等

 

3、搜索引擎的好处和坏处是什么？

不好的地方会增加网站的访问负荷;有时,还会涉及到用户的隐私；

好的地方也是增加了访问流量;

 

4、一般彻底防止爬虫用什么方法？

如果需要防止的话，就需要监测网站，把一些不良网络爬虫的给堵止掉，一般是封IP。

 

robots.txt只能防止有品的爬虫来爬

 

 

 

 

二、如何使用robots禁止各大搜索引擎爬虫爬取网站

ps：由于公司网站配置的测试环境被百度爬虫抓取，干扰了线上正常环境的使用，刚好看到每次搜索淘宝时，都会有一句由于robots.txt文件存在限制指令无法提供内容描述，于是便去学习了一波

　　　1.原来一般来说搜索引擎爬取网站时都会，先读取下robots.txt文件，并依照里面所设定的规则去爬取网站（当然是指没用登录限制的页面）

　　　 2.下面我们就来说一说如何设置robots.txt文件

　　　　1）.robots.txt文件必须是放在文件根目录上：
　　　　　　例如：

　　　　　　　　├─admin

　　　　　　　　│  └─templates

　　　　　　　　│          header.tpl.php

　　　　　　　　│          task_add.tpl.php

　　　　　　　　│   └─robots.txt

　　　　 2 ) .首先常用的命令为

　　　　　　　　User-agent : 可以具体制定User-agent适用，即搜索引擎的名字，如果为 * 的话则为通配

　　　　　　　　Disallow : 可以设定档案或文件夹，不允许被爬虫爬取，且为 / 时禁止爬取整站 ，也可以指定文件路径，不可爬取

　　　　　　　　Crawl-delay: 延时爬取，防止爬虫短时间内爬取网站过快导致网站崩溃，则可以设置该延时

　　　　　　　　Allow : 允许爬取指定页面， 为 / 时爬取整站

　　　　3） 搜索引擎别称

　　　　　　　　Googlebot 谷歌

 　　　　　　　　Baiduspider 百度

　　　　　　　　等等

　　类似我们测试环境就设置了

 

　　　　User-agent : / 所有搜索引擎

　　　　Disallow : / 禁止整站

 

参考：如何使用robots禁止各大搜索引擎爬虫爬取网站 - link_xjxj - 博客园
https://www.cnblogs.com/jjq-exchange/p/9549989.html

 

　　　　　　　　

 

三、网站肉容如何避免被百度google爬虫抓取

什么是网络爬虫?
网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足系统的一定停止条件。

 

爬虫有好处也有坏处：

威胁主要是流量方面，包括爬虫的访问以及搜索引擎被使用带来的实际用户访问。

对网站有好有坏，

不好的地方会增加网站的访问负荷;有时,还会涉及到用户的隐私；

好的地方也是增加了访问流量;

如果搜索引擎收录了你的网站，你的网站的流量会增加，也就是有更多的用户访问量。

你想让更多用户知道的话，就允许网络爬虫，如果需要防止的话，就需要监测网站，把一些不良网络爬虫的给堵止掉，一般是封IP。 正常情况下，在网站的目录下放一个robots.txt的文件，里面可以声明禁止爬虫来爬，做为一个有品的爬虫程序，就不去爬了，当然没品的不在此列。
如何来配置一个robots.txt文件?

其实是比较简单的,
User-agent: * 表示所有的爬虫,即对所有的爬虫都有作用;
Allow: 表示允许爬虫访问,抓取的内容
Disallow: 禁止爬虫抓取的内容

假如此网站禁止爬虫抓取,那么,只要在网站的根目录下,创建一个robots.txt文件
User-agent: *
Disallow: /
就可以了..

关于爬虫的文章:
http://www.javaeye.com/topic/718874
http://robbin.javaeye.com/blog/451014

参考：网站肉容如何避免被百度google爬虫抓取 - CSDN博客
https://blog.csdn.net/wqdwin/article/details/47164889