早之前記的一個(gè)筆記了,之前只是記錄了兩句代碼,放出來的話也是一個(gè)低質(zhì)量的頁面,于是設(shè)置為了僅自己可見,今晚抽空補(bǔ)充一下。
記得當(dāng)?shù)那榫皯?yīng)該是提交sitemap時(shí)百度老提示有錯(cuò)誤的URL,導(dǎo)致sitemap不能正常被抓取,于是在想辦法解決這個(gè)問題,所以才有下面這些筆記:用shell批量找出網(wǎng)站空頁面和404錯(cuò)誤頁面。
廢話不多說,直接上shell代碼:
復(fù)制代碼 代碼如下:
time cat sitemap.txt|while read line;do curl -l $line -m 5 --connect-timeout 5 -o /dev/null -s -w "$line "%{http_code}" "%{size_download}"\n";done
前面加了一個(gè)time是為了看看代碼執(zhí)行所花的時(shí)間
%{http_code}意思是返回HTTP狀態(tài)碼,通過這個(gè)狀態(tài)碼我們就能知道該鏈接是正常的200鏈接,還是404錯(cuò)誤鏈接;
%{size_download}意思是返回當(dāng)前頁面的大小,如果值太小的話,說明這些頁面很有可能是低質(zhì)量的空頁面,得想辦法剔除掉。