栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Python

爬虫的两大重要文件:robots.txt和sitemap.xml

Python 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

爬虫的两大重要文件:robots.txt和sitemap.xml

文章目录
  • 1. 爬虫和搜索引擎的基本原理
  • 2. robots.txt
  • 3. sitemap.xml

1. 爬虫和搜索引擎的基本原理

  网络爬虫本质上是互联网机器人,它能够自动完成对网页数据的抓取。从体量和规模上来说,绝大多数的网络爬虫是由搜索引擎系统构建而成的。那么,搜索引擎的基本原理是什么呢?

  当我们在使用谷歌进行关键词搜索的时候,很多人会认为我们是在搜索整个互联网的网页。其实我们真实在搜索的是谷歌的网页索引库。

  搜索引擎爬取数据的具体步骤为:

  第一步搜索引擎通过爬虫收集网页数据,具体来说搜索引擎先抓取少量网页,然后再跟踪这些网页上的链接,接着抓取这些链接指向的网页。再跟踪这些网页上的所有链接,并抓取它们链接到的网页,以此类推。好比我们经常说的 “顺藤摸瓜”。本质上源于网页之间存在互相链接的关系。

  思考:如何收集孤立网页?

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/917574.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号