百度robots.txt文件检测地址:http://zhanzhang.baidu.com/robots 5 \2 v: Y u9 v
' g, N V g( `
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。 2 c: B% i1 s% {0 i
二. robots.txt文件放在哪里?
& z# K" d9 R6 {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。
; V) n1 j/ H& N4 z# p1 n2 {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 ' H2 ~2 d' L, x. K
三. robots.txt文件的格式 7 K) A |; I# M8 ?9 {
"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: 8 q; B3 J- g" l
"<field>:<optionalspace><value><optionalspace>"。 8 P7 `3 W: S; S9 c
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: 8 X4 j1 [5 l" g* |
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。
+ x9 r2 B; z- j: b& M" U% kDisallow : 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。 7 s E! t* A9 w8 J' p2 }6 v
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。 2 [% i0 [9 t: W8 i1 }/ h
四. robots.txt文件用法举例
. i' ?4 `# c ]. I例1. 禁止所有搜索引擎访问网站的任何部分
4 h9 ?. C! J7 a% p) W [% h6 _5 ?下载该robots.txt文件 User-agent: * Disallow: / , e' R0 F9 g2 K2 i+ m" X5 p, t
例2. 允许所有的robot访问
, w$ ~7 K) x9 @5 }/ [1 N } ^6 s(或者也可以建一个空文件 "/robots.txt" file)
6 y) K( v2 s% f+ r' w$ Q; x+ {User-agent: * Disallow:
# U( h% Q1 {, |8 e例3. 禁止某个搜索引擎的访问 User-agent: BadBot Disallow: /
5 s9 [8 k: y- {# U( _例4. 允许某个搜索引擎的访问 User-agent: baiduspider Disallow: User-agent: * Disallow: /
( Q" W8 E H5 b* L" C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/
' [( M: q! r! u1 E6 E7 k五. robots.txt文件参考资料
% q2 O* V2 D6 I! b5 ^3 |: Nrobots.txt文件的更具体设置,请参看以下链接:
7 C( r% p; L0 \: ~6 t; c! @& g% X· 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。 + G; y: k! g7 c1 Y7 I; 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? + b4 O; C& V6 y' j1 L
Internet上的流浪汉--- Web Robot 2 Q2 k- O# X) T- B3 H* C5 J3 s1 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。
% f- i+ I" @. D# R KWeb 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。
0 u* L& S0 V: }2 D4 c: p其实Web Robot能听懂你的话。
2 z/ n9 j4 i- f/ U% T% A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: " t7 j- q1 U' @
1、Robots Exclusion Protocol 协议 / S4 y5 F3 K* {& i
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.
q6 [5 J. m0 d) s& _+ i, C2、Robots META tag 6 Q: N! K' ^. F* u
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。 - V& k/ k( I! e
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。
3 s. J+ |7 \& n1 i; ?* q$ {. O使用Robots Exclusion Protocol协议 % N/ f- h1 h/ `- J- G D+ j/ T; 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:
5 ?5 g; x; c# w! AUser-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ 0 R! ^: V( q+ c! \* A
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。 - C% `) i/ X/ K2 h. l* R* W3 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。 + n1 c4 q/ y \$ t) ~8 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。 . q" S9 Y; P2 C# Y4 _
下面是几个robot.txt的例子: $ H- n) R/ e* D2 L6 k C
在整个服务器上拒绝所有的robots: User-agent: * Disallow: /
+ |2 ?3 ]1 X: X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。 ' r. o; ` K$ X! M, V
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/
4 w' v5 w0 {' S) Q1 p; a拒绝某一个专门的robot: User-agent: BadBot Disallow: / + n0 `6 X0 O1 J* n4 A7 m& `: Y
只允许某一个robot光顾: User-agent: WebCrawler Disallow: User-agent: * Disallow: / 6 z% p" J5 E J 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
0 a3 {/ V5 f, m9 S B$ i) E3 t使用Robots META tag方式 4 n/ F2 n# x8 G5 j c8 c
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。
- I) r1 k$ | [1 Q0 p6 W4 D/ YRobots 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> ... - l9 l5 J5 q$ o9 f! R
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>
! S# {+ G: W0 s9 O, m2 |7 ^0 J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。 1 A, \! d: l7 c# w8 y% g
/ R+ F8 Z/ K" g7 Y================================================================== 7 ^1 H- W, P- S; N# h8 J7 Q9 u8 O
5 h, _8 b9 b" {2 A$ j, ~) g {: ]
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
7 G0 n7 [5 n4 |0 [ u/ Q: a( X 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。
3 `$ M% Z+ @/ Y7 k1 W; {" ^) t) m 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。
( q/ w# Z, K4 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 ; d0 S$ a7 m E% M& C' e
User-agent: 定义搜索引擎的类型 2 Z v9 Y, p; j4 p- D, z
Disallow: 定义禁止搜索引擎收录的地址
- N P* h( P& d) U( T3 @9 ?+ o Allow: 定义允许搜索引擎收录的地址
8 s- g( j: D l8 J9 G, ^; C k% @* v 我们常用的搜索引擎类型有: & B. N4 l* [, L5 S. e# ]2 q2 }
google蜘蛛:googlebot
) G- N8 h9 [+ r/ o0 s/ b/ v7 ?3 { 百度蜘蛛:baiduspider 1 b! o7 \& `) K( u, z. V
yahoo蜘蛛:slurp
$ L! ]1 l8 X# F! R0 x: V! A alexa蜘蛛:ia_archiver
. |) |: ~5 p1 y2 m `$ j3 J+ ] msn蜘蛛:msnbot + |% I9 }/ c% o, r
altavista蜘蛛:scooter ' f$ o, [8 a( p/ x! q' k: e1 n. z/ d& a# a
lycos蜘蛛:lycos_spider_(t-rex) 3 ^! U$ e$ j+ B! n2 [" [
alltheweb蜘蛛:fast-webcrawler
! q; K# b5 V1 q/ m7 |- X inktomi蜘蛛: slurprobots.txt文件的写法
# ~1 H. Q* f' F User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符 9 o" \! C* g# i- s8 @& [
Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录 2 j" G+ w( f5 f# ^& s6 x
Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录
$ y% t) C g; j* @/ m Disallow: /ABC 这里定义是禁止爬寻ABC整个目录
0 s( _1 J# c3 j# _+ ?2 g4 n2 _5 y Disallow: /cgi-bin + J6 ^- I; n# Q4 h+ y- \) T
要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:
! ~" U9 k$ q+ b2 l( m4 H User-agent:* $ @: N) h6 @0 u
Disallow:/*?*
/ g4 t8 N' z% g% E6 w 使用 $ 匹配网址的结束字符
. N8 g/ z- O1 f( _7 l0 P 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! r5 l( B; p% X User-Agent:Googlebot
7 m; E( X; ?& j `, ~) C' P" Q Disallow:/*.asp$
! J0 h1 Q& J9 k 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: 8 h1 X' W& U* M) t4 N' B. P$ ?0 V
User-agent:* 8 _: C( w. j% U _6 b9 x T% T
Allow:/*?$
1 e$ B% C5 T% _/ S. b: @. ^ Disallow:/*? 5 Z4 h7 b) x7 j2 u. |
Disallow:/ *? * H* w4 C+ L+ t# m
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)。 3 \- p2 A/ i" K+ t R
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 ]4 l* w4 t2 W& \, N3 v7 i( F8 a
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。
- J& |& F5 I! q0 ?$ t 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。 * E5 h r. S8 D& i- f [1 V
index指令告诉搜索机器人抓取该页面;
" ?$ u7 c! P& E. h V) A0 \ 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; : {# I" y/ V8 g- G
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。
2 S& O2 c, E) ^0 c2 f; M/ Z 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。 j; R5 H. {$ b$ V8 l4 {
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 W4 w5 W! @) W$ ]6 n$ N- w/ ?* e
( E+ b7 {# Q6 F" irobot.txt 可以在谷歌管理员工具里面生成。 " s4 [. t- o- \+ B6 u, l
有发现404页面 及时用robot.txt屏蔽
, m7 R9 C9 v8 b5 n0 q; y5 ]9 s[此贴子已经被作者于2012-10-12 11:45:28编辑过] ' P# i+ Z" p* ^2 n9 u1 ?$ e
|