限制bing等搜索引擎频繁抓取 - 蜘蛛爬行频率和次数

限制bing等搜索引擎频繁抓取 - 蜘蛛爬行频率和次数
User-agent:bingbot
Visit-time:0855-1700
说明:指定每天允许BING蜘蛛采集的时间段，格式为mmss-mmss，例如0800-1700，即限制BING蜘蛛08:00-17:00访问。
User-agent:bingbot
Request-rate:1/5 0900-1045
说明：限制BING蜘蛛在允许的时间段内(0900-1045)隔多少秒采集一次网页，例如1/5 0900-1055，即限制BING蜘蛛90:00-10:55访问，且每5秒访问一次。
User-agent:bingbot
Crawl-delay:3600
说明:限制BING蜘蛛两次抓取的间隔时间，单位为秒。建议在蜘蛛的抓取频率过高时，可以制定蜘蛛抓取时间间隔，来降低服务器的负担,减少流量的不必要流失。
国内的搜索引擎蜘蛛
百度蜘蛛：baiduspider
搜狗蜘蛛：sogou spider
有道蜘蛛：YodaoBot和OutfoxBot
搜搜蜘蛛： Sosospider
国外的搜索引擎蜘蛛
google蜘蛛： googlebot
yahoo蜘蛛：Yahoo！ Slurp
alexa蜘蛛：ia_archiver
bing蜘蛛（bingbot）：bingbot
bing蜘蛛（bingbot）：bingbot
robots.txt内容格式非常简单，用文本文件的每一行代表一个约定。
• User-Agent： 适用下列规则的漫游器
• Allow： 充许被抓取的网页
• Disallow： 要拦截的网页
Robots.txt的两个常用符号
“*”： 匹配0或多个任意字符（也有所有的意思）
“$”：匹配行结束符。
禁止某一蜘蛛抓取：
User-agent： 蜘蛛名（上面介绍得有）
Disallow： /
只充许某一蜘蛛抓取：
User-agent： 蜘蛛名（上面介绍得有）
Disallow：
User-agent： *
Disallow： /
robots.txt扩展协议
robots协议中除allow，disallow外，其扩展协议中还有Request-rate，Crawl-delay，Visit-time等，可以通过率这些协议来限制蜘蛛访问的频率，访问的时间等。
一、Crawl-delay 这个协议可以指定蜘蛛两次抓取时间的间隔值。
语法：Crawl-delay:XX
"XX"，是指两间抓取的间隔时间，单位为秒。如果蜘蛛的抓取频率太高可以指定这个值，来减轻服务器的负担。
二、Visit-time 指定蜘蛛的访问时间。
语法：Visit-time:0930-1630
开头的文本行指定每天允许网络蜘蛛采集的时间段，格式为mmss-mmss，例如0930-1630
三、Request-rate 指定采集的频率
语法：Request-rate:1/5 0600-0845
指定同一个网络蜘蛛每多少秒采集一次网页和采集时间段，例如1/5 0600-0845。
四、禁止指定类型后缀的文件抓取
Disallow: .jpg$ 禁止抓取的格式
Disallow: .jpeg$ 
Disallow: .gif$
Disallow: .png$
Disallow: .bmp$
Disallow: .jpg$ 禁止抓取的格式
Disallow: .jpeg$ 
Disallow: .gif$
Disallow: .png$
Disallow: .bmp$
另外，在网页中增加名字为“robots”的meta标签，也可以让某些网络蜘蛛不采集这一页。不过，这也只是某些网络蜘蛛认同，不是大家都认同的标准。示例如下。
<meta name="robots" content="noindex,nofollow" />
实例
例1.禁止所有搜索引擎访问网站的任何部分
User-agent: * 
Disallow: /
例2.允许所有的robot访问 (或者也可以建一个空文件 "/robots.txt")
User-agent: * 
Allow: / 
另一种写法是 
User-agent: * 
Disallow:
例3. 仅禁止Baiduspider访问您的网站
User-agent: Baiduspider 
Disallow: /
例4. 仅允许Baiduspider访问您的网站
User-agent: Baiduspider 
Allow: /
例5. 禁止spider访问特定目录 
在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即robot不会访问这三个目录。需要注意的是对每一个目录必须分开声明，而不能写成 "Disallow: /cgi-bin/ /tmp/"。
User-agent: * 
Disallow: /cgi-bin/ 
Disallow: /tmp/ 
Disallow: /~joe/
例6. 允许访问特定目录中的部分url
User-agent: * 
Allow: /cgi-bin/see 
Allow: /tmp/hi 
Allow: /~joe/look
例7. 使用"*"限制访问url 
禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。
User-agent: * 
Disallow: /cgi-bin/*.htm
例8. 使用"$"限制访问url 
仅允许访问以".htm"为后缀的URL。
User-agent: * 
Allow:/ .htm$
例9. 禁止访问网站中所有的动态页面
User-agent: * 
Disallow: /*?*
例10. 禁止Baiduspider抓取网站上所有图片 
仅允许抓取网页，禁止抓取任何图片。
User-agent: Baiduspider 
Disallow: /.jpg$ 
Disallow: / .jpeg$ 
Disallow:/ .gif$ 
Disallow:/ .png$ 
Disallow: /.bmp$
例11. 仅允许Baiduspider抓取网页和。gif格式图片 
允许抓取网页和gif格式图片，不允许抓取其他格式图片
User-agent: Baiduspider 
Allow: .gif$ 
Disallow: /.jpg$ 
Disallow:/ .jpeg$ 
Disallow:/ .png$ 
Disallow: /.bmp$
例12. 仅禁止Baiduspider抓取。jpg格式图片
User-agent: /Baiduspider 
Disallow:/ .jpg$