什么是网络爬虫?
网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足系统的一定停止条件。
爬虫有好处也有坏处：
威胁主要是流量方面，包括爬虫的访问以及搜索引擎被使用带来的实际用户访问。
对网站有好有坏，
不好的地方会增加网站的访问负荷;有时,还会涉及到用户的隐私；
好的地方也是增加了访问流量;
如果搜索引擎收录了你的网站，你的网站的流量会增加，也就是有更多的用户访问量。
你想让更多用户知道的话，就允许网络爬虫，如果需要防止的话，就需要监测网站，把一些不良网络爬虫的给堵止掉，一般是封IP。
正常情况下，在网站的目录下放一个robots.txt的文件，里面可以声明禁止爬虫来爬，做为一个有品的爬虫程序，就不去爬了，当然没品的不在此列。
如何来配置一个robots.txt文件?
其实是比较简单的,
User-agent: * 表示所有的爬虫,即对所有的爬虫都有作用;
Allow: 表示允许爬虫访问,抓取的内容
Disallow: 禁止爬虫抓取的内容
假如此网站禁止爬虫抓取,那么,只要在网站的根目录下,创建一个robots.txt文件
User-agent: *
Disallow: /
就可以了..
关于爬虫的文章:
http://robbin.javaeye.com/blog/451014
阅读(6359) | 评论(0) | 转发(0) |
