百度robots.txt文件检测地址:http://zhanzhang.baidu.com/robots ; k: _+ ]& O9 U! n1 u) ~; z
! R2 T" a5 d5 k [3 [* rrobots.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。
$ K1 t2 k2 N" M! e& w( O7 d二. robots.txt文件放在哪里?
5 v; y6 x! I2 H. Z+ frobots.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。
' v( {, c6 z5 n# m' L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
) i; l* w: I; _% P三. robots.txt文件的格式 " l3 F1 o# @ |9 F H
"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:
6 m6 C9 e9 s; d"<field>:<optionalspace><value><optionalspace>"。 % z! ^" |4 T# g
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: " ^1 u# B7 V" J$ z. v, M
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。 : d1 o; Y9 R4 d
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。 9 `3 J N! |1 L
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。
1 ~! e+ r7 _2 c# l- e8 F/ m四. robots.txt文件用法举例 2 r+ O5 M5 X4 c$ F7 X$ i. P
例1. 禁止所有搜索引擎访问网站的任何部分
3 k2 v9 m: h: s7 a下载该robots.txt文件 User-agent: * Disallow: / 9 V' j8 r- J: V- M2 h
例2. 允许所有的robot访问 $ U+ g/ \" Y; q
(或者也可以建一个空文件 "/robots.txt" file)
/ X9 H3 p* w* Z o4 \% w! RUser-agent: * Disallow:
4 z7 S% m+ d1 ^4 v* T例3. 禁止某个搜索引擎的访问 User-agent: BadBot Disallow: / 9 d: s: S7 ^: W8 T0 N E5 M
例4. 允许某个搜索引擎的访问 User-agent: baiduspider Disallow: User-agent: * Disallow: /
; _& F4 N6 \3 _* q3 Y0 Q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/ 9 t4 L" c8 \6 ^" z% B* l
五. robots.txt文件参考资料 8 Q; F8 \$ Z2 w" q
robots.txt文件的更具体设置,请参看以下链接:
/ ^/ M% b+ Q# ~; r· 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。
2 z6 d L5 D) Q! V! o1 `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? + E* ]6 I O+ K6 [% V# P
Internet上的流浪汉--- Web Robot
) \/ D6 p3 R9 N: }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。 5 {8 @8 T/ K! W5 N4 K
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。 ( k) I6 T" D+ _: j8 H, S
其实Web Robot能听懂你的话。 4 _, ^& f! S* C+ O! B
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:
5 x: M$ _2 [/ E9 I5 z1、Robots Exclusion Protocol 协议
, B L% {8 }8 H: q; k4 K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 e1 |0 S4 @: S3 I j
2、Robots META tag / m; m4 b6 \3 h) S
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。
/ N5 j @; {, i4 T, z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。 2 X, I$ I, T* e! a! @' ^) Q+ e9 y
使用Robots Exclusion Protocol协议
7 m4 v9 ?- b0 Z. q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:
# h% [) O% y# X8 i: pUser-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/
: I9 x6 g% Z- h! Z! X3 i5 W) A% s9 o- {0 u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。
+ ?' m$ O8 Z6 S' d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。 R9 |: A8 x$ j0 c
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。 b" [$ K+ a0 K9 g
下面是几个robot.txt的例子: ; U. ]3 ?# a- }7 A8 F; j' r/ k
在整个服务器上拒绝所有的robots: User-agent: * Disallow: /
) X7 ]/ z! [, V# l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。 + H5 \6 l! a, A9 V- Y# f+ B+ O
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/
1 s* \4 P% ?' a, B" d& m3 p拒绝某一个专门的robot: User-agent: BadBot Disallow: / - j( D0 ]1 ~" `' R8 Q9 d6 O
只允许某一个robot光顾: User-agent: WebCrawler Disallow: User-agent: * Disallow: /
' H' C+ N9 q2 c$ k: ^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
0 N' }1 `3 V) J/ T! n" U3 a0 B使用Robots META tag方式
' t3 A, k- r; k! t( F8 yRobots 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。 ( ~6 h( S* \, i5 k* T3 Q) e8 T
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> ...
$ E9 |6 C2 s3 [% LRobots 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>
% p4 ` q/ E& N2 k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。 / |3 m: \( j2 S2 B+ u* u6 r6 k, Z0 ]
$ a& ?8 c ^* } B* l. v
================================================================== 7 f7 @- i& Z" c/ p9 u3 p, _$ _
9 ]' P0 u- m" k& e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 . d- i6 L: K) M( B7 j
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。
' D* [' S$ f5 n& [. q2 A' g$ v3 N 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。
" a: j' }& ^8 Z/ N& e0 Y/ l 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
& s3 t3 _- P% g" B- z User-agent: 定义搜索引擎的类型 7 U" ?: z8 d" t! S, v5 Z
Disallow: 定义禁止搜索引擎收录的地址 " {! V( C+ g4 M ?$ h; L7 a5 S* V
Allow: 定义允许搜索引擎收录的地址
( n- ^- ]0 E& ~ L$ |; L3 u 我们常用的搜索引擎类型有: ; D( t& G% T( h$ I8 `' z3 F6 _
google蜘蛛:googlebot % E+ ?) v$ U& M
百度蜘蛛:baiduspider + y+ i5 c, X3 r6 J! C* S
yahoo蜘蛛:slurp " X: y, ~. Y1 z8 L1 _: h
alexa蜘蛛:ia_archiver 6 b3 C. b8 l) {# r* j7 N
msn蜘蛛:msnbot
- O3 H- i+ T8 _( t altavista蜘蛛:scooter
$ N( b7 A1 b' s" e2 ]( L& o% y lycos蜘蛛:lycos_spider_(t-rex) 4 o" l8 h6 {; |4 p
alltheweb蜘蛛:fast-webcrawler
1 e) g7 n! }, m8 y8 P. S5 m2 ]2 \* o inktomi蜘蛛: slurprobots.txt文件的写法 ( P4 s9 I: O6 Y! W$ i6 v. Z+ y
User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符 ( \( w7 X( k* q- ?
Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录 " v! h$ h5 b, {3 G+ V2 J# M& g
Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录 ) J8 p' ^: Q! x& t O: Y
Disallow: /ABC 这里定义是禁止爬寻ABC整个目录
4 A, C& ~- a- p% d& R2 X1 I8 n; u Disallow: /cgi-bin
) B1 s+ g9 V5 m 要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:
! E) `$ o: g9 D4 @4 W ` User-agent:*
6 t% X( {+ p8 c6 |0 c2 H Disallow:/*?* 7 W' Q: t: S4 h4 o& F' U: [8 Y8 N; ?
使用 $ 匹配网址的结束字符 8 a, C F5 U# y8 a. k& a! D
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: 2 @! d+ q9 ~" K
User-Agent:Googlebot : R( H6 g5 F8 p- @
Disallow:/*.asp$
4 I8 l7 A+ q3 B7 \3 F5 c 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: 9 _ {1 \! J' i) C8 r
User-agent:* 0 C/ f! g& Q) \6 G# e" v
Allow:/*?$
9 N6 P( Q: }+ n Disallow:/*?
( m& T0 l7 S6 G% |8 O) n Disallow:/ *? . w6 q L+ U! O4 Z! h. q
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)。 " g* V( Y9 J) L# n8 s. @: F5 i, F0 X. n
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
3 q. ]' y9 q5 W1 G: O# W" Y 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。
2 e' S( e/ Z3 T: s9 f" Q 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。
, w) I' n' J. ~! P, b3 f: v index指令告诉搜索机器人抓取该页面; , Q7 j& D9 A4 Q0 c+ M
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; / y5 M: U: p( z8 j
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。 " p# h* B |4 [6 ]% f7 H
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。 * E2 s* z' o/ Q" g2 `1 R/ m* T
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。
I4 U9 B2 p+ `# o: c2 ]" s1 T4 D
3 i( e* |! o. B3 ~7 P6 v
robot.txt 可以在谷歌管理员工具里面生成。 q- K3 i# n# C5 s5 a% L* \9 a
有发现404页面 及时用robot.txt屏蔽
! a' Y5 U p+ c% T1 l[此贴子已经被作者于2012-10-12 11:45:28编辑过] ( U: i; Q. Q; l% s4 C. ?
|