同學(xué)們都知道網(wǎng)頁是通過超級鏈接互相關(guān)聯(lián)起來的，從而形成了網(wǎng)頁的網(wǎng)狀結(jié)構(gòu)。爬蟲的工作方式就像蜘蛛在網(wǎng)上沿著鏈接爬來爬去，最基本的流程可以簡化如下：

　　1.喂給爬蟲一堆url，我們稱之為種子（seeds）2.爬蟲抓取seeds，解析html網(wǎng)頁，抽取其中的超級鏈接3.爬蟲接著抓取這些新發(fā)現(xiàn)的鏈接指向的網(wǎng)頁

　　2，3循環(huán)往復(fù)

　　什么是robots協(xié)議

　　了解了上面的流程就能看到對爬蟲來說網(wǎng)站非常被動，只有老老實(shí)實(shí)被抓取的份。存在這樣的需求：

　　1.某些路徑下是個人隱私或者網(wǎng)站管理使用，不想被搜索引擎抓取，比如說日本愛情動作片2.不喜歡某個搜索引擎，不愿意被他抓取，最有名的就是之前淘寶不希望被百度抓取3.小網(wǎng)站使用的是公用的虛擬主機(jī)，流量有限或者需要付費(fèi)，希望搜索引擎抓的溫柔點(diǎn)4.某些網(wǎng)頁是動態(tài)生成的，沒有直接的鏈接指向，但是希望內(nèi)容被搜索引擎抓取和索引網(wǎng) 站內(nèi)容的所有者是網(wǎng)站管理員，搜索引擎應(yīng)該尊重所有者的意愿，為了滿足以上等等，就需要提供一種網(wǎng)站和爬蟲進(jìn)行溝通的途徑，給網(wǎng)站管理員表達(dá)自己意愿的機(jī) 會。有需求就有供應(yīng)，robots協(xié)議就此誕生。Robots協(xié)議，學(xué)名叫：The Robots Exclusion Protocol，就搜索引擎抓取網(wǎng)站內(nèi)容的范圍作了約定，包括網(wǎng)站是否希望被搜索引擎抓取，哪些內(nèi)容不允許被抓取，把這些內(nèi)容放到一個純文本文件 robots.txt里，然后放到站點(diǎn)的根目錄下。爬蟲抓取網(wǎng)站內(nèi)容前會先抓取robots.txt，據(jù)此“自覺地”抓取或者不抓取該網(wǎng)頁內(nèi)容，其目的是 保護(hù)網(wǎng)站數(shù)據(jù)和敏感信息、確保用戶個人信息和隱私不被侵犯。

　　需要注意的是robots協(xié)議并非是規(guī)范，只是行業(yè)內(nèi)一個約定俗成的協(xié)議。什么意思呢？Robots協(xié)議不是什么技術(shù)壁壘，而只是一種互相尊重的協(xié)議，好比私家花園的門口掛著“閑人免進(jìn)”，尊重者繞道而行，不尊重者依然可以推門而入，比如說360。

　　說了這么多，看幾個有名的例子感覺一下先：

　　例子1：淘寶

　　User-agent: Baiduspider

　　Disallow: /

　　User-agent: baiduspider

　　Disallow: /

　　程序猿，你懂的。這不就是淘寶不想讓百度抓取嘛例子2：京東

　　User-agent: *

　　Disallow: /?*

　　Disallow: /pop/*.html

　　User-agent: EtaoSpider

　　Disallow: /

　　這個也不復(fù)雜，京東有2個目錄不希望所有搜索引擎來抓。同時，對etao完全屏蔽。

　　基本玩法

　　robots.txt的位置

　　說簡單也簡單，robots.txt放到一個站點(diǎn)的根目錄下即可。說復(fù)雜也有點(diǎn)小復(fù)雜，一個robots.txt只能控制相同協(xié)議，相同端口，相同站點(diǎn)的網(wǎng)頁抓取策略。什么意思呢？看個例子最清楚：

　　百度網(wǎng)頁搜索

　　百度知道

　　這兩個robots.txt的內(nèi)容是不同的，也就是說百度網(wǎng)頁搜索和百度知道的抓取策略可以由自己獨(dú)立的robots.txt來控制，井水不犯河水。

　　robots.txt的內(nèi)容

　　最簡單的robots.txt只有兩條規(guī)則：

　　1.User-agent：指定對哪些爬蟲生效

　　2.Disallow：指定要屏蔽的網(wǎng)址

　　整個文件分為x節(jié)，一節(jié)由y個User-agent行和z個Disallow行組成。一節(jié)就表示對User-agent行指定的y個爬蟲屏蔽z個網(wǎng)址。這里x>=0，y>0，z>0。x=0時即表示空文件，空文件等同于沒有robots.txt。

　　下面詳細(xì)介紹這兩條規(guī)則：

　　User-agent

　　爬蟲抓取時會聲明自己的身份，這就是User-agent，沒錯，就是http協(xié)議里的User-agent。robots.txt利用User-agent來區(qū)分各個引擎的爬蟲。

　　舉例說明：google網(wǎng)頁搜索爬蟲的User-agent為Googlebot，下面這行就指定google的爬蟲。

　　User-agent：Googlebot

　　如果想指定所有的爬蟲怎么辦？不可能窮舉啊，可以用下面這一行：

　　User-agent: *

　　可能有的同學(xué)要問了，我怎么知道爬蟲的User-agent是什么？這里提供了一個簡單的列表：爬蟲列表當(dāng)然，你還可以查相關(guān)搜索引擎的資料得到官方的數(shù)據(jù)，比如說google爬蟲列表，百度爬蟲列表Disallow

　　Disallow 行列出的是要攔截的網(wǎng)頁，以正斜線 （/） 開頭，可以列出特定的網(wǎng)址或模式。

　　要屏蔽整個網(wǎng)站，使用正斜線即可：

　　Disallow: /

　　要屏蔽某一目錄以及其中的所有內(nèi)容，在目錄名后添加正斜線：

　　Disallow: /無用目錄名/

　　要屏蔽某個具體的網(wǎng)頁，就指出這個網(wǎng)頁。

　　Disallow: /網(wǎng)頁。html

　　Disallow還可以使用前綴和通配符。

　　要屏蔽目錄a1-a100，可以使用上面的方式寫100行，或者Disallow：/a

　　但是需要注意，這樣會把任何以a開頭的目錄和文件也屏蔽，慎用。如果需要屏蔽a1-a100，但是不屏蔽a50，怎么辦？同學(xué)們可以思考一下，這個問題我們留到下一節(jié)。

　　要阻止特定類型的文件（如 .gif），請使用以下內(nèi)容：

　　Disallow: /*.gif$

　　*匹配任意個字符，$匹配url結(jié)束，具體就不解釋了吧，不了解的同學(xué)去自學(xué)一下通配符。

　　提示一下，Disallow的內(nèi)容區(qū)分大小寫。例如，Disallow:/junkfile.asp 會屏蔽 junkfile.asp，卻會允許Junk_file.asp。

　　最最后，通配符不是所有搜索引擎都支持，使用要小心。沒辦法，誰讓robots.txt沒有一個大家都承認(rèn)的標(biāo)準(zhǔn)呢。

　　實(shí)例 ###

　　百度網(wǎng)頁搜索

　　User-agent: Baiduspider

　　Disallow: /baidu

　　Disallow: /s?

　　User-agent: Googlebot

　　Disallow: /baidu

　　Disallow: /s?

　　Disallow: /shifen/

　　Disallow: /homepage/

　　Disallow: /cpro

　　User-agent: MSNBot

　　Disallow: /baidu

　　Disallow: /s?

　　Disallow: /shifen/

　　Disallow: /homepage/

　　Disallow: /cpro

　　…

　　現(xiàn)在讀懂這個應(yīng)該毫無壓力了吧，順便說一句百度的robots.txt比較啰嗦，有興趣的同學(xué)可以簡化一下。

　　高階玩法

　　首先聲明：高級玩法不是所有引擎的爬蟲都支持，一般來說，作為搜索引擎技術(shù)領(lǐng)導(dǎo)者的谷歌支持的最好。

　　例子：google robots.txt

　　allow

　　還記得上面的問題嗎？如果需要屏蔽a1-a100，但是不屏蔽a50，怎么辦？

　　方案1：

　　Disallow：/a1/

　　Disallow：/a2/

　　…

　　Disallow：/a49/

　　Disallow：/a51/

　　…

　　Disallow：/a100/

　　方案2：

　　Disallow：/a

　　Allow:/a50/

　　ok，allow大家會用了吧。

　　順便說一句，如果想屏蔽a50下面的文件private.html，咋整？

　　Disallow：/a

　　Allow:/a50/

　　Disallow：/a50/private.html

　　聰明的你一定能發(fā)現(xiàn)其中的規(guī)律，對吧？誰管的越細(xì)就聽誰的。

　　sitemap

　　前 面說過爬蟲會通過網(wǎng)頁內(nèi)部的鏈接發(fā)現(xiàn)新的網(wǎng)頁。但是如果沒有連接指向的網(wǎng)頁怎么辦？或者用戶輸入條件生成的動態(tài)網(wǎng)頁怎么辦？能否讓網(wǎng)站管理員通知搜索引擎 他們網(wǎng)站上有哪些可供抓取的網(wǎng)頁？這就是sitemap，最簡單的 Sitepmap 形式就是 XML 文件，在其中列出網(wǎng)站中的網(wǎng)址以及關(guān)于每個網(wǎng)址的其他數(shù)據(jù)（上次更新的時間、更改的頻率以及相對于網(wǎng)站上其他網(wǎng)址的重要程度等等），利用這些信息搜索引擎 可以更加智能地抓取網(wǎng)站內(nèi)容。

　　sitemap是另一個話題，足夠開一篇新的文章聊的，這里就不展開了，有興趣的同學(xué)可以參考sitemap新的問題來了，爬蟲怎么知道這個網(wǎng)站有沒有提供sitemap文件，或者說網(wǎng)站管理員生成了sitemap，（可能是多個文件），爬蟲怎么知道放在哪里呢？

　　由于robots.txt的位置是固定的，于是大家就想到了把sitemap的位置信息放在robots.txt里。這就成為robots.txt里的新成員了。

　　節(jié)選一段google robots.txt：

　　Sitemap: http://www.gstatic.com/culturalinstitute/sitemaps/www_google_com_culturalinstitute/sitemap-index.xmlSitemap: http://www.google.com/hostednews/sitemap_index.xml插一句，考慮到一個網(wǎng)站的網(wǎng)頁眾多，sitemap人工維護(hù)不太靠譜，google提供了工具可以自動生成sitemap。

　　metatag

　　其實(shí)嚴(yán)格來說這部分內(nèi)容不屬于robots.txt，不過也算非常相關(guān)，我也不知道放哪里合適，暫且放到這里吧。

　　robots.txt 的初衷是為了讓網(wǎng)站管理員管理可以出現(xiàn)在搜索引擎里的網(wǎng)站內(nèi)容。但是，即使使用 robots.txt 文件讓爬蟲無法抓取這些內(nèi)容，搜索引擎也可以通過其他方式找到這些網(wǎng)頁并將它添加到索引中。例如，其他網(wǎng)站仍可能鏈接到該網(wǎng)站。因此，網(wǎng)頁網(wǎng)址及其他公開的信息（如指向相關(guān)網(wǎng)站的鏈接中的定位文字或開放式目錄管理系統(tǒng)中的標(biāo)題）有可能會出現(xiàn)在引擎的搜索結(jié)果中。如果想徹底對搜索引擎隱身那咋整呢？答案是： 元標(biāo)記，即meta tag。

　　比如要完全阻止一個網(wǎng)頁的內(nèi)容列在搜索引擎索引中（即使有其他網(wǎng)站鏈接到此網(wǎng)頁），可使用 noindex 元標(biāo)記。只要搜索引擎查看該網(wǎng)頁，便會看到 noindex 元標(biāo)記并阻止該網(wǎng)頁顯示在索引中，這里注意noindex元標(biāo)記提供的是一種逐頁控制對網(wǎng)站的訪問的方式。

　　舉例：

　　要防止所有搜索引擎將網(wǎng)站中的網(wǎng)頁編入索引，在網(wǎng)頁的部分添加：

　　<meta name="robots"content="noindex">

　　這里的name取值可以設(shè)置為某個搜索引擎的User-agent從而指定屏蔽某一個搜索引擎。

　　除了noindex外，還有其他元標(biāo)記，比如說nofollow，禁止爬蟲從此頁面中跟蹤鏈接。詳細(xì)信息可以參考Google支持的元標(biāo)記，這里提一句：noindex和nofollow在HTML 4.01規(guī)范里有描述，但是其他tag的在不同引擎支持到什么程度各不相同，還請讀者自行查閱各個引擎的說明文檔。

　　Crawl-delay

　　除了控制哪些可以抓哪些不能抓之外，robots.txt還可以用來控制爬蟲抓取的速率。如何做到的呢？通過設(shè)置爬蟲在兩次抓取之間等待的秒數(shù)。

　　Crawl-delay:5

　　表示本次抓取后下一次抓取前需要等待5秒。

　　注意：google已經(jīng)不支持這種方式了，在webmastertools里提供了一個功能可以更直觀的控制抓取速率。

　　這 里插一句題外話，幾年前我記得曾經(jīng)有一段時間robots.txt還支持復(fù)雜的參數(shù)：Visit-time，只有在visit-time指定的時間段里， 爬蟲才可以訪問；Request-rate: 用來限制URL的讀取頻率，用于控制不同的時間段采用不同的抓取速率。后來估計支持的人太少，就漸漸的廢掉了，有興趣的同學(xué)可以自行g(shù)oogle。我了解 到的是目前google和baidu都已經(jīng)不支持這個規(guī)則了，其他小的引擎公司貌似從來都沒有支持過。如果確有支持那是我孤陋寡聞了，歡迎留言告知。

　　真的有用？

　　好吧，到此為止robots.txt相關(guān)的東東介紹的也七七八八了，能堅持看到這里的同學(xué)估計都躍躍欲試了，可惜，我要潑盆冷水，能完全指望robots.txt保護(hù)我們網(wǎng)站的內(nèi)容嗎？不一定。否則百度和360就不用打官司了。

　　協(xié)議一致性

　　第一個問題是robots.txt沒有一個正式的標(biāo)準(zhǔn)，各個搜索引擎都在不斷的擴(kuò)充robots.txt功能，這就導(dǎo)致每個引擎對robots.txt的支持程度各有不同，更不用說在某個功能上的具體實(shí)現(xiàn)的不同了。

　　緩存

　　第 二個問題是robots.txt本身也是需要抓取的，出于效率考慮，一般爬蟲不會每次抓取網(wǎng)站網(wǎng)頁前都抓一下robots.txt，加上 robots.txt更新不頻繁，內(nèi)容需要解析。通常爬蟲的做法是先抓取一次，解析后緩存下來，而且是相當(dāng)長的時間。假設(shè)網(wǎng)站管理員更新了 robots.txt，修改了某些規(guī)則，但是對爬蟲來說并不會立刻生效，只有當(dāng)爬蟲下次抓取robots.txt之后才能看到最新的內(nèi)容。尷尬的是，爬蟲下次抓取robots.txt的時間并不是由網(wǎng)站管理員控制的。當(dāng)然，有些搜索引擎提供了web 工具可以讓網(wǎng)站管理員通知搜索引擎那個url發(fā)生了變化，建議重新抓取。注意，此處是建議，即使你通知了搜索引擎，搜索引擎何時抓取仍然是不確定的，只是比完全不通知要好點(diǎn)。至于好多少，那就看搜索引擎的良心和技術(shù)能力了。

　　ignore

　　第三 個問題，不知是無意還是有意，反正有些爬蟲不太遵守或者完全忽略robots.txt，不排除開發(fā)人員能力的問題，比如說根本不知道 robots.txt。另外，本身robots.txt不是一種強(qiáng)制措施，如果網(wǎng)站有數(shù)據(jù)需要保密，必需采取技術(shù)措施，比如說：用戶驗證，加密，ip攔 截，訪問頻率控制等。

　　偷偷的抓

　　第四個問題，即使采用了種種限制，仍然存在某些惡意的抓取行為能突破這些限制，比如一些利用肉雞進(jìn)行的抓取。悲觀的說，只要普通用戶可以訪問，就不能完全杜絕這種惡意抓取的行為。但是，可以通過種種手段使抓取的代價增大到讓對方無法接受。比如說：Captcha， Ajax用戶行為驅(qū)動的異步加載等等。這個就不屬于本文討論的范疇了。

　　泄密

　　最 后，robots.txt本身還存在泄密的風(fēng)險。舉例，如果某一個網(wǎng)站的robots.txt里突然新增了一條：Disallow /map/，你想到了什么？是不是要推出地圖服務(wù)了？于是有好奇心的同學(xué)就會開始嘗試各種文件名去訪問該路徑下的文件，希望能看到驚喜。貌似當(dāng)初 google的地圖就是這么被提前爆出來的，關(guān)于這點(diǎn)我不太確定，大家就當(dāng)八卦聽聽好了。