搜索
查看: 9556|回复: 3

[seo] robot.txt在线生成-使用方法-检测方法

[复制链接]
发表于 2012-9-27 15:38:17 | 显示全部楼层 |阅读模式

百度robots.txt文件检测地址:http://zhanzhang.baidu.com/robots

6 x2 I- i0 o6 X5 p! x) T: f. V

 

1 C; f& b6 f1 w9 x% K3 l o; ?

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。

4 `7 L& L- x* `; ~

二. robots.txt文件放在哪里?

# W7 |; D3 h- n

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。

- n& K; e7 j4 y# R

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

( l; s0 z/ }. L0 s: B

三. robots.txt文件的格式

" [9 r6 K( E0 {1 [) O

"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:

, o' Z; ~- c: g S3 k( u: C

"<field>:<optionalspace><value><optionalspace>"。

6 w1 U* [% a, Y( W9 Y

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:

+ ?! r& n& {$ V! i

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。

4 k* ^' G9 s# O

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。

& Q3 Q$ A+ B6 u x; u5 \: w* r/ f

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。

5 R' b: D* z) _9 t6 F6 i Y5 [/ q

四. robots.txt文件用法举例

7 E9 c! m2 u6 b2 B+ {9 k% d7 w% u

例1. 禁止所有搜索引擎访问网站的任何部分

$ q- {! j# f% C* O; r9 E

下载该robots.txt文件
User-agent: *
Disallow: /

: v6 g8 d& P# s

例2. 允许所有的robot访问

& k: D" Y' s* X2 V* V

(或者也可以建一个空文件 "/robots.txt" file)

8 J" \; s7 C# U5 G

User-agent: *
Disallow:

2 }+ P* q. ^. S r5 w7 I

例3. 禁止某个搜索引擎的访问
User-agent: BadBot
Disallow: /

3 \ W) P, q* P# i% Y( ^

例4. 允许某个搜索引擎的访问
User-agent: baiduspider
Disallow:
User-agent: *
Disallow: /

9 y( A! N# j: j5 ?& \% u

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/

( ^( \1 @ p4 f# j

五. robots.txt文件参考资料

8 o T. u- |4 s/ Q9 E4 t

robots.txt文件的更具体设置,请参看以下链接:

+ M% v9 }. G; W% w. D* E0 D0 n; G

· 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。

# d& }+ S4 z' J6 `; v8 f+ c

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?

' l2 V. v7 P0 d) \

Internet上的流浪汉--- Web Robot

: J3 ], W7 ^ h/ i5 Y7 X, A

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。

9 \ N+ F: O* R! _* K4 ]

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。

j: B; y: m: {3 c; _3 x

其实Web Robot能听懂你的话。

! i2 k( _4 s/ N; s# h3 J4 v

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:

" l! p( a; R( I5 x7 P/ k

1、Robots Exclusion Protocol 协议

0 L8 Z$ j6 `4 P" l0 K9 g

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.

/ }5 B" T; a$ k& x, W

2、Robots META tag

2 a% n# j" ?0 ]5 d

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。

, z; K6 I. r$ J8 n& U% f

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。

5 N$ ^' i. i, l5 X1 J/ m

使用Robots Exclusion Protocol协议

, v, O+ s* j! 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:

. O! U, t3 Y+ O( ?$ r3 ^

User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /~joe/

, c0 x6 ]. _1 ^" H6 ^

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。

6 }$ i- ^2 D9 Q8 Z8 f! ]9 _. a4 q

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。

8 Q! f, W: p2 R. Q2 V

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。

$ M7 e5 x% g3 r4 i2 K

下面是几个robot.txt的例子:

. n5 |/ N \# o( C+ P5 e( L

在整个服务器上拒绝所有的robots:
User-agent: *
Disallow: /

9 o2 n* ^. F2 v. e3 A! f1 y$ p

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。

" S6 y5 i* @0 c- p* r

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/

! ]( U( J \1 L

拒绝某一个专门的robot:
User-agent: BadBot Disallow: /

: f5 H* O: S; h* y1 x8 X3 G' x

只允许某一个robot光顾:
User-agent: WebCrawler Disallow:
User-agent: * Disallow: /

, x/ s: \/ O! `, i+ Z" G1 o9 H

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

) I0 Q( p$ r! F p9 a' @

使用Robots META tag方式

6 `5 U8 C& a* \ |7 q) o; D

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。

6 U4 `$ H& }+ Q6 w6 u

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>
...

( b6 l2 ?9 b9 I; g5 l. s& U$ E

Robots 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>

/ H1 z: O7 j- m% s% y6 a3 _0 i( G/ `

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。

" M6 J) u0 ]/ o1 Q

 

) n; ^8 I7 N/ L* Y/ e+ x9 Z4 W

==================================================================

( @0 d g4 R( ?) C9 G! Z) U/ m

 

6 ^; n, J. a1 N6 @

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

+ k/ g/ E) ~: p- J8 @0 ?/ J" t9 C

  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。

, V0 J: v# C# ?$ R, W

  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) e; b" Y. x) Q5 A

  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

$ C3 Q m% R; O) r

  User-agent: 定义搜索引擎的类型

s; M% W9 \7 K& C. r" t% v

  Disallow: 定义禁止搜索引擎收录的地址

+ b' d9 b6 c& _2 d

  Allow: 定义允许搜索引擎收录的地址

! ^' p' p+ q5 K

  我们常用的搜索引擎类型有:

9 `: d. h- _7 x

  google蜘蛛:googlebot

4 E0 c3 N. y0 [) a/ z1 C0 d, o1 o

  百度蜘蛛:baiduspider

; c! ?) T/ Y2 @) K. w3 Y

  yahoo蜘蛛:slurp

/ h9 A) v1 {7 r

  alexa蜘蛛:ia_archiver

% n1 P3 Q; d7 Y1 }$ g4 E: y/ v2 e

  msn蜘蛛:msnbot

7 F+ b e) u, p6 o, y3 `$ E

  altavista蜘蛛:scooter

4 w1 Z/ p8 i2 }8 o+ n# G

  lycos蜘蛛:lycos_spider_(t-rex)

1 v& h. M; b0 x- g1 k4 F5 x2 ]

  alltheweb蜘蛛:fast-webcrawler

& E' e6 `9 U* Q

  inktomi蜘蛛: slurprobots.txt文件的写法

0 K9 R7 T( a$ F4 R+ q

  User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符

2 u6 d% d7 G. Y% H

  Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录

) O& k& ?- ^- v0 [2 M1 ~* R2 m) q

  Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录

# r% ]6 n$ E! Z

  Disallow: /ABC 这里定义是禁止爬寻ABC整个目录 

# r- t* t- z' @( D% I

  Disallow: /cgi-bin

' y [7 l; |+ r9 s6 [4 D. J

  要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:

`4 F7 N! w$ a- t* ]& P4 v! [

  User-agent:*

. O, e1 c6 L/ g: ~

  Disallow:/*?*

1 E5 a. l0 @) R: U) G* j! A

  使用 $ 匹配网址的结束字符

7 E4 D; {2 `2 e

  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:

3 C- j% t4 o, X" [9 _, V

  User-Agent:Googlebot

: a: p- [ ]$ l' ~/ q) y

  Disallow:/*.asp$

5 o2 t( A0 R) l

  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:

$ `( x$ b( K+ O5 `) \ [9 {

  User-agent:*

5 T* z) a( G/ A" V6 [* j T

  Allow:/*?$

4 z- Q) D/ x3 L' C' b0 Z

  Disallow:/*?

* `' T4 \. v) Z7 G+ U5 _- [; G

  Disallow:/ *?

0 `3 A4 r; a: ~2 x2 B

  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)。

/ `8 v* V; m& Y; \! D1 q

  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

0 W% u( A/ B& P8 B' V4 a9 r

  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。

# e8 c N- i/ K' |0 F) p

  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:indexnoindexfollownofollow,指令间以“,”分隔。

' A5 h g4 k* G# D) k! Q' L

  index指令告诉搜索机器人抓取该页面;

: I! f2 {6 b" M$ V& p- \& i- r: K

  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 q, |, i; Q7 l. _+ T

  Robots Meta标签的缺省值是indexfollow,只有inktomi除外,对于它,缺省值是indexnofollow

* T( J Z2 L2 t' A

  需要注意的是:上述的robots.txtRobots 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。

4 i0 U: q6 Y7 T8 j; t/ z

  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。

1 U0 Q/ ^2 B2 e


& c& o3 I! U v6 ^0 i4 B/ A/ @

robot.txt 可以在谷歌管理员工具里面生成。

! H4 p V/ I2 h- H' b; _( T

有发现404页面 及时用robot.txt屏蔽

% t* M2 l c, X7 c a8 @+ j% y
[此贴子已经被作者于2012-10-12 11:45:28编辑过]
# `% S" B* E* h
回复

使用道具 举报

发表于 2012-9-27 20:32:16 | 显示全部楼层

这个要站长用的 [em52]

 楼主| 发表于 2012-10-12 10:53:41 | 显示全部楼层
' ~) P, {7 {. @' W) }

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:

; J; X; \% f, ^! i1 A; D. y$ T

<meta name="robots" c o ntent="nofollow">

, N8 t( E7 Z% \7 r2 _8 g0 w

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:

8 U; ~, t% W6 J8 } e) P

<a href="signin.php" rel="nofollow">sign in</a>

$ g6 P$ Z3 K" {# [/ `4 X

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:

# _7 A' {' O/ o' h* B9 |

<meta name="Baiduspider" c o ntent="nofollow">

0 j$ a5 J/ r. C6 l) X$ C* b% o

 

; g2 \) U9 s! j/ D7 I) D: A
[此贴子已经被作者于2012-10-12 10:59:59编辑过]
& W. W* b0 r- t
 楼主| 发表于 2012-10-12 10:55:20 | 显示全部楼层
3 v& ]$ L5 X" u2 Q; D8 l

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:

) A+ Y, w; }6 I

<meta name="robots" c o ntent="noarchive">

- n5 k |0 P5 ]# M0 p

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:

! H# c# t& P5 G5 r! P

<meta name="Baiduspider" c o ntent="noarchive">

) }& c% x" V; ?) H2 D7 {

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。  

: o' j8 j9 Q: F) X1 x9 }& k
[此贴子已经被作者于2012-10-12 11:01:38编辑过]
. a; @6 ?# B0 N1 t! w
您需要登录后才可以回帖 登录 | 注册帐号

本版积分规则

热议作品
精华帖子排行
精彩推荐

虾皮社区,成立十年了!

站长自己也搞不懂想做个什么,反正就是一直在努力的做!

Copyright © 2007-2019 xp6.org Powered by Discuz

QQ|Archiver|手机版|小黑屋|虾皮社区 鲁公网安备 37021102000261号 |网站地图
返回顶部 返回列表