百度robots.txt文件检测地址:http://zhanzhang.baidu.com/robots
( g' j1 h: x8 E7 c- s * q# P6 y( I) A* T% _- U
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。 - `* \0 r+ D o/ p: `! k
二. robots.txt文件放在哪里? * B# Q+ w( r) r0 j5 R+ H6 T$ P
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。 7 c( I- V, ^; k; F9 G1 `# @
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
2 e# A ?0 C2 J7 p" J9 x& v三. robots.txt文件的格式
/ B3 n2 n+ I8 i$ e7 m"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: , d8 p' m( `* Z5 O# l
"<field>:<optionalspace><value><optionalspace>"。
6 x8 k2 k; a. V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:
0 C3 F* h# N( o' NUser-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。 . d7 ^) K( P9 M9 r* q
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。
1 p8 K1 ?& N5 T9 [+ p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。 # z6 `9 B! K; u/ W& U: ]
四. robots.txt文件用法举例 3 Z! W3 ^3 `! c) U* k
例1. 禁止所有搜索引擎访问网站的任何部分
N6 A. K+ C1 R5 z下载该robots.txt文件 User-agent: * Disallow: / # x9 S7 H9 D/ t$ }( o9 V( o3 k* A
例2. 允许所有的robot访问 + }* a% K9 w5 n+ }# F. g
(或者也可以建一个空文件 "/robots.txt" file)
6 Z0 U, _6 D8 W, L+ oUser-agent: * Disallow:
( J& d7 k% x# P9 s例3. 禁止某个搜索引擎的访问 User-agent: BadBot Disallow: /
1 Y" _# |! G) q* `+ F例4. 允许某个搜索引擎的访问 User-agent: baiduspider Disallow: User-agent: * Disallow: / $ D1 H7 r- n6 ~5 t3 v
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/ - b6 n; o. X' l. e, h
五. robots.txt文件参考资料
5 O# @) m7 |) q- ^: Urobots.txt文件的更具体设置,请参看以下链接: ! ~: K y1 }9 W8 C" ~+ N
· 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。 $ ~: a. U7 e7 o9 H6 L
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?
& `, Q/ V, o2 a \) o! bInternet上的流浪汉--- Web Robot - F( o/ g4 T8 m! f
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。 4 d/ B/ H& c" I
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。 - Q/ N6 Z% {# J( H+ V
其实Web Robot能听懂你的话。 + a! p2 n( M" _/ b3 n# x. }; Q
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: 4 q# T( _+ \ `) R5 p h
1、Robots Exclusion Protocol 协议 $ l+ c' [5 V: d8 u
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. & e( n; x, l, I" l9 L4 R
2、Robots META tag
% p7 ?; Q# g! M& I5 X; \9 O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。 1 c" [' z7 ?8 {7 `* J3 A4 x8 i
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。 6 m( h5 q' I* D) e4 c; c
使用Robots Exclusion Protocol协议 ) _( u9 h J; B$ h& j% G
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: ) F, d1 `6 k# Y* t( E) m3 ^
User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ ; \5 c) u D4 y( b
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。
! j; @ b! ?( M0 X! S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。 % | h5 O! A4 M6 f
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。
% t8 }- ?7 O& u: @8 O$ ` ]- G下面是几个robot.txt的例子:
: Y) p* S# u3 h- ^在整个服务器上拒绝所有的robots: User-agent: * Disallow: /
$ P0 z B4 C% d) ^/ z! e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。 , w# K. C- J! H" L
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/ q/ K* r- w7 h6 M/ h0 h
拒绝某一个专门的robot: User-agent: BadBot Disallow: / ' w; v1 O. K) f0 g" @( Q
只允许某一个robot光顾: User-agent: WebCrawler Disallow: User-agent: * Disallow: / 5 P7 o0 i* G) Z+ O" D, d
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
! U/ H9 Q4 a1 P8 R( s6 M) w使用Robots META tag方式 ! C- k. x4 T+ Z2 g% o* W
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。 : w* D% T4 a: h) r8 D. Y( f
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> ...
9 { ]* h; ], J* V! ]. PRobots META tag指令使用逗号隔开,可以使用的指令包括 [NO]INDEX 和[NO]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>
0 g A+ |2 o- B# b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。
d! {, f/ ^7 o8 e
J, R5 i, b6 B================================================================== 1 Y0 j8 D6 r# `: j" ]) A2 R
$ { i3 D3 o! G- C2 j% K, p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 & m6 j9 r' f, }8 J) ?' O; M# W
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。 , A! ]: o" Q2 T: F# {
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。 2 N0 t* H" x, {( k, [+ g% ~
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
/ U% [7 ?7 F8 Z User-agent: 定义搜索引擎的类型
6 ]- T9 r9 k1 G. V5 k Disallow: 定义禁止搜索引擎收录的地址
! O6 I% J% \: O2 b Allow: 定义允许搜索引擎收录的地址 . e# Z; i( o. P! h" J- d# x
我们常用的搜索引擎类型有:
& z% P8 t) z' M; C( L google蜘蛛:googlebot
( Z. ]6 @. [' e2 e- n# i/ x! f. Q9 S/ F9 f 百度蜘蛛:baiduspider
* E" ]' J+ S+ s: |% @2 _1 z$ O/ b( f yahoo蜘蛛:slurp
; C; t, x$ r u L3 x+ r3 s alexa蜘蛛:ia_archiver
9 Z5 e8 m7 D6 J( j. L4 f+ h; C" \ msn蜘蛛:msnbot
, [; J9 F4 e9 k# O altavista蜘蛛:scooter ; I+ P- s( M; j h' j+ ?( y
lycos蜘蛛:lycos_spider_(t-rex) 6 G: }+ Y+ X5 ?1 c" y! w$ K9 z9 l
alltheweb蜘蛛:fast-webcrawler
, Y, K4 Q1 L7 `) n# k) H5 i' C; R inktomi蜘蛛: slurprobots.txt文件的写法 ! r! p3 j; a* `' X/ q4 w
User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符 + B% a# c! r; Z
Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录
$ U+ r) J1 Y0 ] Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录
: B' I$ Z, n" P4 o) P Disallow: /ABC 这里定义是禁止爬寻ABC整个目录 . a2 c9 e/ [3 B$ J9 s2 y& j
Disallow: /cgi-bin / I+ V+ h! R9 y' V1 U
要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:
8 e( E1 J/ [& ~ u* C# k User-agent:*
' w9 h8 ^! X: p8 r1 p- G4 o/ d Disallow:/*?*
) l# ^% d) j8 s; W8 o; ~. ?- j 使用 $ 匹配网址的结束字符
" Q6 E4 O; ?0 U a% v5 j- i0 J 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:
. o) w9 i. k) u6 l* M6 B: v$ @: l3 i User-Agent:Googlebot 7 `+ Z7 P/ S% Q) L- P- m& H0 G* A- i
Disallow:/*.asp$ ]/ I/ s9 k; K( u3 O
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: 5 Q; l! a8 [- K7 q4 j `3 s) t
User-agent:*
' u/ R! C8 I, N$ I! G5 R Allow:/*?$
4 F* W3 v% d& d Disallow:/*? ) \% A, ?% f" h$ @. z5 T
Disallow:/ *?
/ m Z4 E6 m6 \* W 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)。 - P @+ p9 O; ]! `% @ \3 s8 e" s
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
: _) l: o7 k) \/ W+ ] 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。 * r. C: X6 k/ u- k' V. l
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。 , r' e" E; L( @& b z. H; \
index指令告诉搜索机器人抓取该页面; ( {' x' ]% B7 P; T
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;
7 C6 l5 J3 h8 s/ f 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。 & m3 @4 @7 D7 t0 l; ^% L. m
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。
/ u l% h1 n3 Z1 @' ~ 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。 * e" x, Z9 l4 ~) h3 v& @
* S, u2 ~+ {+ h0 rrobot.txt 可以在谷歌管理员工具里面生成。 ( G7 w* D4 y& X5 M( G9 W* N. \! U N
有发现404页面 及时用robot.txt屏蔽
% X, z* {9 M# L) r! o[此贴子已经被作者于2012-10-12 11:45:28编辑过] # b V1 O& M3 Y2 o+ C
|