提供技术工程师服务，24小时不间断技术支持，涵盖服务器、虚拟主机、域名、网络、建站等。
云虚拟主机被爬虫访问耗费大量流量的解决方法
发布时间：2024-07-07 18:28
阅读量：802
问题描述
用户使用云虚拟主机搭建的网站被爬虫访问，耗费大量流量和带宽的处理方法。
解决方案
在站点根目录下创建 robots.txt文件，robots.txt 文件是网站的一个文件，搜索引擎抓取网站数据时，首先就是抓取的该文件，根据里面的内容决定对网站文件访问的范围。它能够保护我们的一些文件不暴露在搜索引擎之下，从而有效的控制爬虫的抓取路径。
说明：robots 协议也叫 robots.txt，robots 协议不是强制协议，部分搜索引擎或者伪装成搜索引擎的爬虫不会遵守该协议，对于不遵守该协议的情况，以下方法无效。
根据更多信息中的搜索引擎和其对应的 User-Agent，Robots.txt 代码样例如下所示：
• 禁止所有搜索引擎访问网站的任何位置。
User-agent:
Disallow: /
• 允许所有的搜索引擎访问网站的任何位置。
User-agent:
Disallow:
• 仅禁止Baiduspider搜索引擎访问您的网站。
User-agent: Baiduspider
Disallow: /
• 仅允许Baiduspider访问您的网站。
User-agent: Baiduspider
Disallow:
• 禁止spider搜索引擎访问特定目录。
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /data/
说明：特定三个目录需要分别并列写。请注意最后需要带斜杠。
• 允许访问特定目录中的部分URL，实现a目录下只有b.htm允许访问。
User-agent: *
Allow: /a/b.htm
Disallow: /a/
更多信息
目前搜索引擎和其对应的 User-Agent 如下所示。
|
搜索引擎 |
User-Agent |
|
AltaVista |
Scooter |
|
baidu |
Baiduspider |
|
Infoseek |
Infoseek |
|
Hotbot |
Slurp |
|
AOL Search |
Slurp |
|
Excite |
ArchitextSpider |
|
|
Googlebot |
|
Goto |
Slurp |
|
Lycos |
Lycos |
|
MSN |
Slurp |
|
Netscape |
Googlebot |
|
NorthernLight |
Gulliver |
|
WebCrawler |
ArchitextSpider |
|
Iwon |
Slurp |
|
Fast |
Fast |
|
DirectHit |
Grabber |
|
Yahoo Web Pages |
Googlebot |
|
LooksmartWebPages |
Slurp |
