Robots协议

共计 646 个字符，预计需要花费 2 分钟才能阅读完成。

好的网络爬虫，首先需要遵守 Robots 协议。Robots 协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过 Robots 协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。在网站根目录下放一个 robots.txt 文本文件（如 https://www.taobao.com/robots…），里面可以指定不同的网络爬虫能访问的页面和禁止访问的页面，指定的页面由正则表达式表示。网络爬虫在采集这个网站之前，首先获取到这个 robots.txt 文本文件，然后解析到其中的规则，然后根据规则来采集网站的数据。

1. Robots 协议规则
注意: 一个英文要大写，冒号是英文状态下，冒号后面有一个空格，”/” 代表整个网站
2. Robots 协议举例
禁止所有机器人访问
User-agent: *
Disallow: /
允许所有机器人访问
User-agent: *
Disallow:
禁止特定机器人访问
User-agent: BadBot
Disallow: /
允许特定机器人访问
User-agent: GoodBot
Disallow:
禁止访问特定目录
User-agent: *
Disallow: /images/
仅允许访问特定目录
User-agent: *
Allow: /images/
Disallow: /
禁止访问特定文件
User-agent: *
Disallow: /*.html$
仅允许访问特定文件
User-agent: *
Allow: /*.html$
Disallow: /