如何利用robots文件提高动态网站的抓取效率?

2019-04-08 10:01:58来源: 吴晓阳目录 阅读 ()

新老客户大回馈,云服务器低至5折

动态网站并不值得担心,搜索引擎可以正常抓取动态链接,但利用robots文件可以轻松提高动态网站的抓取效率。我们都知道,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。Robots协议的本质是网站和搜索引擎爬虫的沟通方式,用来指导搜索引擎更好地抓取网站内容。

百度官方是推荐所有的网站都使用robots文件,以便更好地利用蜘蛛的抓取。其实robots不仅仅是告诉搜索引擎哪些不能抓取,更是网站优化的重要工具之一。

robots文件实际上就是一个txt文件。其基本的写法如下:

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: /ABC/ 这里定义是禁止爬寻ABC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的动态页面 

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: /cgi-bin/ 这里定义是允许爬寻cgi-bin目录下面的目录 

Allow: /tmp 这里定义是允许爬寻tmp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

在网站优化方面,利用robots文件告诉搜索引擎哪些是重要的内容,不重要的内容均推荐用robots文件来禁止抓取。不重要的内容的典型代表:网站的搜索结果页面。

对于静态网站来说,我们可以利用Disallow: /*?*来禁止动态页面抓取。但对于动态网站来说,就不能简单地这样做了。不过对于动态网站的站长来说,也无需过于担心,搜索引擎现在可以正常地抓取动态页面。那么在写的时候,就要注意了,我们可以具体到搜索文件的名称来写。比如你的站是search.asp?后面一大串,那么可以这样写:

Disallow: /search.asp?*

这样就可以屏蔽搜索结果页面了,写好了可以到百度站长平台检测robots一下,看看有没有错误!可以输入网址检测一下,是不是正常生效了。

在这里吴晓阳建议动态网站的站长,一定要用robots文件屏蔽不重要的内容动态链接,提高蜘蛛的抓取效率

本文出处:吴晓阳目录http://wuxiaoyang.com/reed/post/294.html

标签:

版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有

上一篇:网站采集内容如何保证质量度分值

下一篇:Verizon重“色情”?拿回域名Verizon.porn