如何分析Robots.txt 配置

这期内容当中小编将会给大家带来有关如何分析Robots.txt 配置，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

Robots.txt 是一个爬虫规范协议，看名称就知道它是一个 txt 的文本。放在网站的根目录下。robots.txt 文件由一条或多条规则组成。每条规则可禁止（或允许）特定抓取工具抓取相应网站中的指定文件路径。它主要的作用就是来告诉爬虫，我这个网站，你哪些你能看，哪些你不能看的一个协议。

Robots.txt 有一个规范，或者说是规则，也或者说是语法。

• robots.txt 必须是 ASCII 或 UTF-8 文本文件。不允许包含其他字符。

• robots.txt 文件由一条或多条规则组成。

• 每条规则由多条指令（说明）组成，每条指令各占一行。

• 每条规则包含这些信息：此规则的适用对象（即用户代理）；代理可以访问的目录或文件，和/或；代理无法访问的目录或文件。

• 系统会按照从上到下的顺序处理这些规则，而且一个用户代理只能匹配 1 个规则集（即与相应用户代理匹配的首条最具体的规则）。

• 系统的默认假设是：用户代理可以抓取所有未被 Disallow: 规则禁止访问的网页或目录。

• 规则区分大小写。

• 一个网站只能有 1 个 robots.txt 文件。

Robots.txt 中主要有 4 个关键词。放在行首，用英文“:”分割内容部分或指令体。

• User-agent 网页抓取工具的名称

• Disallow 不应抓取的目录或网页

• Allow 应抓取的目录或网页

• Sitemap 网站的站点地图的位置

下面，我举几个例子，方便大家认识。

上面的配置将分别禁止它们对网站内容的爬取。一个爬虫的 Disallow 可以有多个，比如百度网盘中的配置。

 

Robots.txt 也支持模糊匹配，比如下面的配置。禁止爬取以 .xls 文件结尾的内容。

注意，如果不配置，或者配置的内容，如下所说，则代表全部允许。

除了 Robots.txt 之外，我们也可以通过 Nginx 的其他技术手段来禁止爬出的抓取。但是相对来说，配置 Robots.txt 的效率最高！

上述就是小编为大家分享的如何分析Robots.txt 配置了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注亿速云行业资讯频道。