标签：cpi fnr des 其他 upd g++ tac yun sre
从HTML的注释代码来看，“google无法搜索到这个页面” -> 说明该网站很可能设置了防爬虫机制：robots.txt
以下是robots.txt的介绍（来自维基百科）：
---------------------------------------------------------------------------------
robots.txt（统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫游器（又称网络蜘蛛）， 此网站中的哪些内容是不应被搜索引擎的漫游器获取的，哪些是可以被漫游器获取的。因为一些系统中的URL是大小写敏感的，所以robots.txt的文件 名应统一为小写。robots.txt应放置于网站的根目录下。如果想单独定义搜索引擎的漫游器访问子目录时的行为，那么可以将自定的设置合并到根目录下 的robots.txt，或者使用robots元数据（Metadata，又稱元資料）。
robots.txt协议并不是一个规范，而只是约定俗成的，所以并不能保证网站的隐私。注意robots.txt是用字符串比较来确定是否获取URL，所以目录末尾有与没有斜杠“/”表示的是不同的URL。robots.txt允许使用类似"Disallow: *.gif"这样的通配符[1][2]。
其他的影响搜索引擎的行为的方法包括使用robots元数据：
<meta name="robots" content="noindex,nofollow" />
这个协议也不是一个规范，而只是约定俗成的，有些搜索引擎会遵守这一规范，而其他则不然。通常搜索引擎会识别这个元数据，不索引这个页面，以及这个页面的链出页面。
例子：
允许所有的机器人：
User-agent: *
Disallow:
另一写法
User-agent: *
Allow:/
仅允许特定的机器人：（name_spider用真实名字代替）
User-agent: name_spider
Allow:
拦截所有的机器人：
User-agent: *
Disallow: /
禁止所有机器人访问特定目录：
User-agent: *
Disallow: /cgi-bin/
Disallow: /images/
Disallow: /tmp/
Disallow: /private/
仅禁止坏爬虫访问特定目录（BadBot用真实的名字代替）：
User-agent: BadBot
Disallow: /private/
禁止所有机器人访问特定文件类型[2]：
User-agent: * Disallow: /*.php$ Disallow: /*.js$ Disallow: /*.inc$ Disallow: /*.css$
另外还有一些扩展指令。
---------------------------------------------------------------------
于是访问根目录下的robots.txt文件：
得到禁止所有爬虫（spider，crawler）访问的目录s3cr3t/：
得到用户密码：
natas4:Z9tkRkWmpt9Qr7XrR5jWRkgOU901swEZ
总结：网站防止爬虫访问的目录或者文件可能含有敏感文件，这也是一个切入点。
Natas Wargame Level 3 Writeup 与 robots.txt
标签：cpi fnr des 其他 upd g++ tac yun sre
原文地址：http://www.cnblogs.com/liqiuhao/p/6844874.html
