robots协议
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。它是一个Robots.txt文件
User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符
禁止所有搜索引擎访问网站的任何部分
User-agent: * //
Disallow: /
不允许百度的机器人访问其网站下其所有的目录
User-agent: baiduspider
Disallow: /
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: /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
Sitemap: 网站地图 告诉爬虫这个页面是网站地图
NODE.JS 爬虫(spider)
创建项目文件夹:"爬虫系统"
cd ~"爬虫系统"
npm init //先安装node.js 并配置
使用npm命令安装插件 express, request,cheerio
package.json:
{
"name": "",
"version": "",
"dependencies": {
"cheerio": "^1.0.0-rc.2",
"express": "^4.16.3",
"request": "^2.87.0"
}
}
命令安装:supervisor 监控node.js 运行状态
npm install -g supervisor
创建test.js
var express = require('express');
var app = express();
var request = require('request');
var cheerio = require('cheerio');
app.get('/', function (req, res) {
request('https://mp.csdn.net', function (error, response, body) {
if (!error && response.statusCode == 200) {
var $ = cheerio.load(body);
res.send($.html());
}
});
})
var server = app.listen(8081);
使用命令 node test.js运行
cheerio 库将整个网页的body转为$符,
res.send($.html());是将整个网页返回并显示.