搜索引擎只能抓取html文件,通过robots屏蔽搜索引擎抓取网站内容

robots协议屏蔽搜索引擎抓取

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。

有时候有些页面访问消耗性能比较高不想让搜索引擎抓取，可以在根目录下放robots.txt文件屏蔽搜索引擎或者设置搜索引擎可以抓取文件范围以及规则。

文件写法：

User-agent: 这里的代表的所有的搜索引擎种类，*是一个通配符

Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录

Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录

Disallow: /phpinc/ 这里定义是禁止爬寻phpinc目录下面的目录

Disallow: /cgi-bin/*.htm 禁止访问/cgi-bin/目录下的所有以”.htm”为后缀的URL(包含子目录)

Disallow: /? 禁止访问网站中所有包含问号 (?) 的网址

Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的图片

Disallow:/ab/adc.html 禁止爬取ab文件夹下面的adc.html文件

Allow: /framework/　这里定义是允许爬寻framework目录下面的目录

Allow: /temp 这里定义是允许爬寻temp的整个目录

Allow: .htm$ 仅允许访问以”.htm”为后缀的URL

Allow: .gif$ 允许抓取网页和gif格式图片

Sitemap: 网站地图 告诉爬虫这个页面是网站地图

例1. 禁止所有搜索引擎访问网站的任何部分

User-agent: *

Disallow: /

例2. 允许所有的robots访问 (或者也可以建一个空文件 “/robots.txt” file)：

User-agent: *

Allow:　/

例3. 禁止某个搜索引擎的访问:

User-agent: BadBot

Disallow: /

例4. 允许某个搜索引擎的访问:

User-agent: Baiduspider

allow:/

Sitemap网站地图注意事项：

Sitemap:与https://www.hao-blog.com/sitemap.xml 之间的连接是英文冒号如下：

Sitemap:https://www.hao-blog.com/sitemap.xml

Sitemap:https://www.hao-blog.com/sitemap.txt

Sitemap:https://www.hao-blog.com/sitemap.html

以下是错误的书写形式：

Sitemap：https://www.hao-blog.com/sitemap.xml

Sitemap：https://www.hao-blog.com/sitemap.txt

Sitemap：https://www.hao-blog.com/sitemap.html

挡在浏览器中看到时错误的就会显示乱码状态