robots.txt 和 sitemap

为了爬虫, 在网站根目录创建robots.txt文件(utf-8),文件内容涉及四类键值对:User-agent,Disallow,Allow,Sitemap,支持正则, Disallow后没内容就是允许所有

User-agent: *
Disallow:
Disallow: /cgi-bin/
Disallow: /admin/
Sitemap: https://zdb.im/sitemap.xml

sitemap四种写法:

第一种, 文本格式, sitemap.txt, 一行一个URL地址

https://zdb.im/
https://zdb.improject.html

第二种, HTML格式, 允许加style标签, 一般布局是 html>body>ul>li>a[href,title]>plainText, URL用全路径, 爬虫递归往下找;

第三种, 单个XML文件, 默认文件名sitemap.xml, 百度是sitemap_baidu.xml

权重: 0.0到1.0,

设备: 代码适配<mobile:mobile type="htmladapt"/>,自适应设备<mobile:mobile type="pc,mobile"/>,移动端<mobile:mobile type="mobile"/>,默认不填是PC端;

刷新频率: always 经常, hourly 每小时,daily 每天,weekly 每周, monthly 每月, yearly 每年, never 从不

修改时间: 2019-11-28或2019-11-28T11:59:38+00:00 皆可, 建议第二种;

年：YYYY(2005)

年和月：YYYY-MM(2005-06)

年月日：YYYY-MM-DD(2005-06-04)

年月日小时分钟：YYYY-MM-DDThh:mmTZD(2005-06-04T10:37+08:00)

年月日小时分钟秒：YYYY-MM-DDThh:mmTZD(2005-06-04T10:37:30+08:00)

<?xml version="1.0" encoding="UTF-8"?>
<urlset
    xmlns="http://www.sitemaps.org/schemas/sitemap/0.9"
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    xsi:schemaLocation="http://www.sitemaps.org/schemas/sitemap/0.9"
>
<url>
 <loc>https://zdb.im/</loc>
     <mobile:mobile type="htmladapt"/>
 <priority>0.5</priority>
 <lastmod>2019-11-28T11:59:38+00:00</lastmod>
 <changefreq>hourly</changefreq>
</url>
<url>
 <loc>https://zdb.im/project.html</loc>
 <priority>0.5</priority>
 <lastmod>2019-11-28</lastmod>
 <changefreq>hourly</changefreq>
</url>
</urlset>

第四种, 当第三种的url个数超过5万个或未压缩时大小超过10MB(10,485,760字节), 建立索引文件(sitemap index),指向不超过1,000个Sitemap的URL; 索引文件的默认文件名 sitemap_index.xml;

路径必填 loc; 修改时间选填 lastmod 2009-12-14;

<?xml version="1.0" encoding="UTF-8"?>
<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
 <sitemap>
  <loc>https://zdb.im/sitemap.xml</loc>
 </sitemap>
</sitemapindex>

百度支持自动推送: 页面JS推送,RPC通知,URL POST

(function(){
    var bp = document.createElement('script');
    var curProtocol = window.location.protocol.split(':')[0];
    if (curProtocol === 'https'){
   bp.src = 'https://zz.bdstatic.com/linksubmit/push.js';
  }
  else{
  bp.src = 'http://push.zhanzhang.baidu.com/push.js';
  }
    var s = document.getElementsByTagName("script")[0];
    s.parentNode.insertBefore(bp, s);
})();

百度资源搜索平台,添加站点,得到token,用HTTP主动推送;

https://ziyuan.baidu.com/linksubmit/index?site=,

1）curl推送示例
将要提交的url数据写入一个本地文件，比如urls.txt，每个url占一行，然后调用curl命令：
curl -H 'Content-Type:text/plain' --data-binary @urls.txt
"http://data.zz.baidu.com/urls?site=www.example.com&token=edk7yc4rEZP9pDQD"
使用php、python、java等可以参照这个过程推送结构化数据。

2）post推送示例
POST /urls?site=www.58.com&token=edk7ychrEZP9pDQD HTTP/1.1
User-Agent: curl/7.12.1 
Host: data.zz.baidu.com 
Content-Length: 83
http://www.example.com/1.html
http://www.example.com/2.html

3）php推送示例
$urls = array(
    'http://www.example.com/1.html',
    'http://www.example.com/2.html',
);
$api = 'http://data.zz.baidu.com/urls
site=www.58.com&token=edk7ychrEZP9pDQD';
$ch = curl_init();
$options =  array(
    CURLOPT_URL => $api,
    CURLOPT_POST => true,
    CURLOPT_RETURNTRANSFER => true,
    CURLOPT_POSTFIELDS => implode("\n", $urls),
    CURLOPT_HTTPHEADER => array('Content-Type: text/plain'),
);
curl_setopt_array($ch, $options);
$result = curl_exec($ch);
echo $result;