robot.txt在线生成-使用方法-检测方法 - ＩＴ技术 - 虾皮社区

happyxp 发表于 2012-9-27 15:38:17

百度robots.txt文件检测地址：<a href="http://zhanzhang.baidu.com/robots">http://zhanzhang.baidu.com/robots</a>
 
robots.txt 详细说明 一．什么是robots.txt文件? 搜索引擎通过一种程序robot（又称spider），自动访问互联网上的网页并获取网页信息。您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。 
二. robots.txt文件放在哪里?
robots.txt文件应该放在网站根目录下。举例来说，当robots访问一个网站（比如http://www.abc.com）时，首先会检查该网站中是否存在 http://www.abc.com/robots.txt这个文件，如果机器人找到这个文件，它就会根据这个文件的内容，来确定它访问权限的范围。
网站 URL 相应的 robots.txt的 URL http://www.w3.org/ http://www.w3.org/robots.txt http://www.w3.org:80/ http://www.w3.org:80/robots.txt http://www.w3.org:1234/ http://www.w3.org:1234/robots.txt http://w3.org/ http://w3.org/robots.txt 
三. robots.txt文件的格式 
"robots.txt"文件包含一条或更多的记录，这些记录通过空行分开（以CR,CR/NL, or NL作为结束符），每一条记录的格式如下所示： 
"<field>:<optionalspace><value><optionalspace>"。 
在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始，后面加上若干 Disallow行,详细情况如下： 
User-agent: 该项的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多条User-agent记录说明有多个robot会受到该协议的限制，对该文件来说，至少要有一条User-agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在"robots.txt"文件中，"User-agent：*"这样的记录只能有一条。 
Disallow : 该项的值用于描述不希望被访问到的一个URL，这个URL可以是一条完整的路径，也可以是部分的，任何以Disallow 开头的URL均不会被robot访问到。例如"Disallow: /help"对/help.html 和/help/index.html都不允许搜索引擎访问，而"Disallow: /help/"则允许robot访问/help.html ，而不能访问/help/index.html。 
任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，在"/robots.txt"文件中，至少要有一条Disallow记录。如果"/robots.txt"是一个空文件，则对于所有的搜索引擎robot，该网站都是开放的。 
四. robots.txt文件用法举例 
例1. 禁止所有搜索引擎访问网站的任何部分 
下载该robots.txt文件 User-agent: * Disallow: / 
例2. 允许所有的robot访问 
(或者也可以建一个空文件 "/robots.txt" file) 
User-agent: * Disallow: 
例3. 禁止某个搜索引擎的访问 User-agent: BadBot Disallow: / 
例4. 允许某个搜索引擎的访问 User-agent: baiduspider Disallow: User-agent: * Disallow: / 
例5. 一个简单例子在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即搜索引擎不会访问这三个目录。需要注意的是对每一个目录必须分开声明，而不要写成 "Disallow: /cgi-bin/ /tmp/"。 User-agent:后的* 具有特殊的含义，代表"any robot"，所以在该文件中不能有"Disallow: /tmp/*" or "Disallow: *.gif"这样的记录出现. User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ 
五. robots.txt文件参考资料 
robots.txt文件的更具体设置,请参看以下链接： 
· Web Server Administrator''s Guide to the Robots Exclusion Protocol · HTML Author''s Guide to the Robots Exclusion Protocol · The original 1994 protocol description, as currently deployed · The revised Internet-Draft specification, which is not yet completed or implemented 在你的主页中为Web Robot设计路标。 
Internet越来越酷，WWW的知名度如日中天。在Internet上发布公司信息、进行电子商务已经从时髦演化成时尚。作为一个Web Master，你可能对HTML、java script、Java、 ActiveX了如指掌，但你是否知道什么是Web Robot？你是否知道Web Robot和你所设计的主页有什么关系？ 
Internet上的流浪汉--- Web Robot 
有时你会莫名其妙地发现你的主页的内容在一个搜索引擎中被索引，即使你从未与他们有过任何联系。其实这正是Web Robot的功劳。Web Robot其实是一些程序，它可以穿越大量Internet网址的超文本结构，递归地检索网络站点所有的内容。这些程序有时被叫 “蜘蛛（Spider） ” ， “网上流浪汉（Web Wanderer）”，“网络蠕虫（web worms）”或Web crawler。一些Internet网上知名的搜索引擎站点（Search Engines）都有专门的Web Robot程序来完成信息的采集，例如Lycos，Webcrawler，Altavista等，以及中文搜索引擎站点例如北极星，网易， GOYOYO等。 
Web Robot就象一个不速之客，不管你是否在意，它都会忠于自己主人的职责，任劳任怨、不知疲倦地奔波于万维网的空间，当然也会光临你的主页，检索主页内容并生成它所需要的记录格式。或许有的主页内容你乐于世人皆知，但有的内容你却不愿被洞察、索引。难道你就只能任其 “横行”于自己主页空间，能否指挥和控制Web Robot的行踪呢？答案当然是肯定的。只要你阅读了本篇的下文，就可以象一个交通警察一样，布置下一个个路标，告诉Web Robot应该怎么去检索你的主页，哪些可以检索，哪些不可以访问。 
其实Web Robot能听懂你的话。 
不要以为Web Robot是毫无组织，毫无管束地乱跑。很多Web Robot软件给网络站点的管理员或网页内容制作者提供了两种方法来限制Web Robot的行踪： 
1、Robots Exclusion Protocol 协议 
网络站点的管理员可以在站点上建立一个专门格式的文件，来指出站点上的哪一部分可以被robot访问, 这个文件放在站点的根目录下，即 robots.txt." http://.../robots.txt. 
2、Robots META tag 
一个网页作者可以使用专门的HTML META tag ，来指出某一个网页是否可以被索引、分析或链接。 
这些方法适合于大多数的Web Robot，至于是否在软件中实施了这些方法，还依赖于 Robot的开发者，并非可以保证对任何Robot都灵验。如果你迫切需要保护自己内容，则应考虑采用诸如增加密码等其他保护方法。 
使用Robots Exclusion Protocol协议 
当Robot访问一个 Web 站点时，它先去检查文件robots.txt。如果这个文件存在，它便会按照这样的记录格式去分析： 
User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ 
以确定它是否应该检索站点的文件。这些记录是专门给Web Robot看的，一般的浏览者大概永远不会看到这个文件，所以千万不要异想天开地在里面加入形似<img src=*> 类的HTML语句或是“How do you do? where are you from?”之类假情假意的问候语。 
在一个站点上只能有一个 "/robots.txt" 文件，而且文件名的每个字母要求全部是小写。在Robot的记录格式中每一个单独的"Disallow"行表示你不希望Robot访问的URL，每个URL必须单独占一行，不能出现 "Disallow: /cgi-bin/ /tmp/"这样的病句。同时在一个记录中不能出现空行，这是因为空行是多个记录分割的标志。 
User-agent行指出的是Robot或其他代理的名称。在User-agent行，''*'' 表示一个特殊的含义---所有的robot。 
下面是几个robot.txt的例子： 
在整个服务器上拒绝所有的robots： User-agent: * Disallow: / 
允许所有的robots访问整个站点： User-agent: * Disallow: 或者产生一个空的 "/robots.txt" 文件。 
服务器的部分内容允许所有的robot访问 User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /private/ 
拒绝某一个专门的robot： User-agent: BadBot Disallow: / 
只允许某一个robot光顾： User-agent: WebCrawler Disallow: User-agent: * Disallow: / 
最后我们给出 http://www.w3.org/站点上的robots.txt： # For use by search.w3.org User-agent: W3Crobot/1 Disallow: User-agent: * Disallow: /Member/ # This is restricted to W3C Members only Disallow: /member/ # This is restricted to W3C Members only Disallow: /team/ # This is restricted to W3C Team only Disallow: /TandS/Member # This is restricted to W3C Members only Disallow: /TandS/Team # This is restricted to W3C Team only Disallow: /Project Disallow: /Systems Disallow: /Web Disallow: /Team 
使用Robots META tag方式 
Robots META tag 允许HTML网页作者指出某一页是否可以被索引，或是否可以用来查找更多的链接文件。目前只有部分robot实施了这一功能。 
Robots META tag的格式为： <META NAME="ROBOTS" C> 象其他的META tag一样，它应该放在HTML文件的HEAD区： <html> <head> <meta name="robots" c> <meta name="description" c> <title>...</title> </head> <body> ... 
Robots META tag指令使用逗号隔开，可以使用的指令包括 INDEX 和FOLLOW。INDEX 指令指出一个索引性robot是否可以对本页进行索引；FOLLOW 指令指出robot是否可以跟踪本页的链接。缺省的情况是INDEX和FOLLOW。例如： <meta name="robots" c> <meta name="robots" c> <meta name="robots" c> <meta name="robots" c> 
一个好的Web 站点管理员应该将robot的管理考虑在内，使robot为自己的主页服务，同时又不损害自己网页的安全。
 
==================================================================
 
在进行网站优化的时候，经常会使用robots文件把一些内容不想让蜘蛛抓取，以前写过一篇网站优化robots.txt文件的运用现在写这编文章在补充一点点知识！什么是robots.txt文件
　　搜索引擎通过一种爬虫spider程序（又称搜索蜘蛛、robot、搜索机器人等），自动搜集互联网上的网页并获取相关信息。
　　鉴于网络安全与隐私的考虑，搜索引擎遵循robots.txt协议。通过根目录中创建的纯文本文件robots.txt，网站可以声明不想被robots访问的部分。每个网站都可以自主控制网站是否愿意被搜索引擎收录，或者指定搜索引擎只收录指定的内容。当一个搜索引擎的爬虫访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果该文件不存在，那么爬虫就沿着链接抓取，如果存在，爬虫就会按照该文件中的内容来确定访问的范围。
　　robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。robots.txt文件的格式
　　User-agent: 定义搜索引擎的类型
　　Disallow: 定义禁止搜索引擎收录的地址
　　Allow: 定义允许搜索引擎收录的地址
　　我们常用的搜索引擎类型有：
　　google蜘蛛：googlebot
　　百度蜘蛛：baiduspider
　　yahoo蜘蛛：slurp
　　alexa蜘蛛：ia_archiver
　　msn蜘蛛：msnbot
　　altavista蜘蛛：scooter
　　lycos蜘蛛：lycos_spider_(t-rex)
　　alltheweb蜘蛛：fast-webcrawler
　　inktomi蜘蛛： slurprobots.txt文件的写法
　　User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符
　　Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录
　　Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录
　　Disallow: /ABC 这里定义是禁止爬寻ABC整个目录　
　　Disallow: /cgi-bin
　　要拦截对所有包含问号 (?) 的网址的访问，可使用下列条目：
　　User-agent:*
　　Disallow:/*?*
　　使用 $ 匹配网址的结束字符
　　您可使用 $ 字符指定与网址的结束字符进行匹配。例如，要拦截以.asp 结尾的网址，可使用下列条目：
　　User-Agent:Googlebot
　　Disallow:/*.asp$
　　您可将此模式匹配与 Allow 指令配合使用。例如，如果 ? 表示一个会话 ID，您可排除所有包含该 ID 的网址，确保 Googlebot 不会抓取重复的网页。但是，以 ? 结尾的网址可能是您要包含的网页版本。在此情况下，可对 robots.txt 文件进行如下设置：
　　User-agent:*
　　Allow:/*?$
　　Disallow:/*?
　　Disallow:/ *?
　　一行将拦截包含 ? 的网址（具体而言，它将拦截所有以您的域名开头、后接任意字符串，然后是问号 (?)，而后又是任意字符串的网址）。
　　Allow: /*?$ 一行将允许包含任何以 ? 结尾的网址（具体而言，它将允许包含所有以您的域名开头、后接任意字符串，然后是问号 (?)，问号之后没有任何字符的网址）。Robots Meta标签
　　Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而Robots Meta标签则主要是针对一个个具体的页面。和其他的META标签（如使用的语言、页面的描述、关键词等）一样，Robots Meta标签也是放在页面的中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。
　　Robots Meta标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”BaiduSpider”。content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。
　　index指令告诉搜索机器人抓取该页面；
　　follow指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；
　　Robots Meta标签的缺省值是index和follow，只有inktomi除外，对于它，缺省值是index、nofollow。
　　需要注意的是：上述的robots.txt和Robots Meta标签限制搜索引擎机器人（ROBOTS）抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。
　　目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于RobotsMETA标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。
 
robot.txt 可以在谷歌管理员工具里面生成。
有发现404页面及时用robot.txt屏蔽
[此贴子已经被作者于2012-10-12 11:45:28编辑过]

堕落军团团长 发表于 2012-9-27 20:32:16

这个要站长用的

happyxp 发表于 2012-10-12 10:53:41

如果您不想搜索引擎追踪此网页上的链接，且不传递链接的权重，请将此元标记置入网页的 <HEAD> 部分：
<meta name="robots" c o ntent="nofollow">
如果您不想百度追踪某一条特定链接，百度还支持更精确的控制，请将此标记直接写在某条链接上：
<a href="signin.php" rel="nofollow">sign in</a>
要允许其他搜索引擎跟踪，但仅防止百度跟踪您网页的链接，请将此元标记置入网页的<HEAD> 部分：
<meta name="Baiduspider" c o ntent="nofollow"> 
 
[此贴子已经被作者于2012-10-12 10:59:59编辑过]

happyxp 发表于 2012-10-12 10:55:20

要防止所有搜索引擎显示您网站的快照，请将此元标记置入网页的<HEAD>部分： 
<meta name="robots" c o ntent="noarchive">
要允许其他搜索引擎显示快照，但仅防止百度显示，请使用以下标记：
<meta name="Baiduspider" c o ntent="noarchive">
注：此标记只是禁止百度显示该网页的快照，百度会继续为网页建索引，并在搜索结果中显示网页摘要。  
[此贴子已经被作者于2012-10-12 11:01:38编辑过]

页: [1]

虾皮社区's Archiver