爬虫的两大重要文件：robots.txt和sitemap.xml
Posted herosunly
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬虫的两大重要文件：robots.txt和sitemap.xml相关的知识，希望对你有一定的参考价值。
文章目录
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？
以上是关于爬虫的两大重要文件：robots.txt和sitemap.xml的主要内容，如果未能解决你的问题，请参考以下文章