百度robots.txt文件检测地址:http://zhanzhang.baidu.com/robots
0 g6 D4 w& T3 y0 P# y# i) \) { 5 a4 B4 M2 E) g$ N R+ u) V' K' @* m
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 b8 q; f4 L. G% E, @2 a+ a
二. robots.txt文件放在哪里?
: b) f$ O8 u6 D" U) R, trobots.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。 / j8 {7 W" s4 F/ P; R {- Q* {% D
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
, d/ c" o0 ^ s9 X' B4 S; r三. robots.txt文件的格式
% g2 ~2 ]/ F' x: a9 Y# |; [1 ]"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: ; |& F( x" J& ?: }$ G; U3 P
"<field>:<optionalspace><value><optionalspace>"。
, j8 z' U3 n* `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: - ~4 X' A$ [( X3 l: U5 y; 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。 1 @% X8 p( ?% H
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。
6 N6 p: ]0 L4 A! K6 J$ W! @) n# U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 a4 E" U2 {3 g' z) Q! \& ~8 [四. robots.txt文件用法举例
7 x+ u5 f( q, L' K& i例1. 禁止所有搜索引擎访问网站的任何部分 + Y1 a: e- `2 z7 J8 { s
下载该robots.txt文件 User-agent: * Disallow: / # k( D/ ?; r, E1 x; \9 x
例2. 允许所有的robot访问 ; e) ~' }% u1 R- O* E
(或者也可以建一个空文件 "/robots.txt" file) 7 g$ m( z9 W: m. |
User-agent: * Disallow:
5 N% i7 M% d |例3. 禁止某个搜索引擎的访问 User-agent: BadBot Disallow: / / T3 J: _3 P- v9 `5 S
例4. 允许某个搜索引擎的访问 User-agent: baiduspider Disallow: User-agent: * Disallow: / ' _: p+ {) H5 y1 d, \7 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/
, L4 S! H: ^8 x# _' u$ s" t; _' O( h五. robots.txt文件参考资料 ' X/ V& u) w7 f" l
robots.txt文件的更具体设置,请参看以下链接:
0 g6 t! ^# y% u+ ~9 K# ~5 `· 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。 5 q2 Y2 q- n. C5 D' R& |
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?
/ f% m+ t5 O6 a2 N- i) SInternet上的流浪汉--- Web Robot 5 a$ w: Z, T# y6 z7 h
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。 " Z/ X- z2 W2 m
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。
7 x q. n# Q; j: H# _其实Web Robot能听懂你的话。
0 s, R& B& W( k6 i2 j& Q 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:
+ j) t; K% {9 {6 U+ g! ?. X1、Robots Exclusion Protocol 协议 : r+ Q& t2 e: W" @ T
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.
( x: `6 o' r' g/ u; D$ j& q7 _2、Robots META tag
# e1 f* ~. ]& g l% Q2 h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。 * G+ ?# _: b, m5 g# ^
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。 . l' U Q: U& h# O
使用Robots Exclusion Protocol协议 & f8 P1 O3 @; B/ |# o
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:
) k. _, k& T" |& o+ S8 F. Q$ AUser-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ ; a2 Q; o: S6 V, K5 }
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。 * u7 z8 v9 K5 P& ^
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。
, r, c* S; i( M3 J& U% KUser-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。 j( h4 I! h! J, Y) \
下面是几个robot.txt的例子:
0 W2 j5 O) C7 Q8 F9 h& ?- \在整个服务器上拒绝所有的robots: User-agent: * Disallow: /
0 b Z/ [% ? I3 W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。 & `) z; ?; Z, C
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/ : r$ L7 I6 d8 v1 v. G( N6 I
拒绝某一个专门的robot: User-agent: BadBot Disallow: /
U1 f+ j' ~% T只允许某一个robot光顾: User-agent: WebCrawler Disallow: User-agent: * Disallow: / - o0 ]- B0 i; j' 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 ! \ V/ r* u# @: M- V1 u7 B$ s$ ~
使用Robots META tag方式 8 _, Q7 b& v0 r) B. F% S; g
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。
$ }" j8 l2 l! Z3 aRobots 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> ... $ X+ F$ B2 L: {- y
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> 2 ~8 R1 Q* D1 `
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。
$ W. j( n3 l! R3 L5 ]$ S" z. L5 s / g- Z2 X* a# y$ U0 i% C
================================================================== 4 g6 n2 Q9 ^/ t; ^
* t2 v( N" j% t' t
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
, [/ ~; w; y+ ` 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。
' S' J: D" c# y% R, F& q% Q 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。
' }$ b+ w0 R s0 I! n; J 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
9 g, o- H) y( P; z( d* H4 c User-agent: 定义搜索引擎的类型
. g* h! x2 @( B, Y$ n1 F& p' K Disallow: 定义禁止搜索引擎收录的地址 2 |& v) V& T# Y
Allow: 定义允许搜索引擎收录的地址 5 d) f: o8 y; {+ I9 T
我们常用的搜索引擎类型有:
! ~3 q* g0 p: W# a' M/ E0 | google蜘蛛:googlebot
4 ]$ W* v- Q8 |3 M8 \. | C) N 百度蜘蛛:baiduspider + T) o2 ^5 J$ C: y
yahoo蜘蛛:slurp / B) {, Z4 k# Z, K/ r
alexa蜘蛛:ia_archiver ( w" b8 r9 O. {
msn蜘蛛:msnbot
$ a, _3 R8 v1 A E altavista蜘蛛:scooter , x5 U9 P& p! V$ _2 p) A
lycos蜘蛛:lycos_spider_(t-rex) + d- j9 h- k- K, F3 q
alltheweb蜘蛛:fast-webcrawler
# Q8 [% x @7 m2 M inktomi蜘蛛: slurprobots.txt文件的写法 . V; C& [& a0 `4 S2 Q, R& E- \
User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符
! u* D+ R" v9 K3 n Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录
* i% r0 Q( W, A7 l+ G8 ]* W Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录 4 ~& K+ v- h8 Z/ t
Disallow: /ABC 这里定义是禁止爬寻ABC整个目录
5 B' S1 B9 w" K# Y# \ Disallow: /cgi-bin
4 e1 B q I) X2 { 要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目: ) N( C, G$ f6 _3 x* T
User-agent:* 9 U1 s1 V% Q2 A' h6 H
Disallow:/*?*
0 B* G$ B# q2 [. M& q 使用 $ 匹配网址的结束字符 % L) E" T. `: n, G+ y; s
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:
* N. Q# @7 H! A: I$ O User-Agent:Googlebot / Z- O, c3 o% N* n- V
Disallow:/*.asp$ . n" j$ C/ P0 E9 z$ \9 d" Q
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: 3 p% S$ M% N+ d4 G
User-agent:* # I- s0 [' a+ i* k6 Y5 s
Allow:/*?$
/ l* R- ~5 J; u+ C: o6 s* y5 v1 P# l Disallow:/*? 2 A2 r/ R& k* y: s2 Y
Disallow:/ *? $ i4 n! \0 @( a( t! H# E; i8 ?
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)。
& U7 m7 N/ I8 p9 s. v: U 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 + q% @. Z( r' Q/ \( V
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。
5 H$ j( L; e0 e 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。 : v3 f* B9 M' g6 k& e9 f( t
index指令告诉搜索机器人抓取该页面; . _6 W* H3 |$ {. q6 \
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;
6 ?' w" W0 e) z4 ?: R 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。 & b7 | z0 t+ q4 f: p
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。 . E8 z6 d; G6 S' B- o, `4 ^0 [
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。 5 T: I1 }! X L( S3 o5 p
4 U, o$ c( D, o6 ?robot.txt 可以在谷歌管理员工具里面生成。
* D3 ]1 Z( ]$ U7 U& C4 G有发现404页面 及时用robot.txt屏蔽 3 J; G& H |, c5 j( f: ?
[此贴子已经被作者于2012-10-12 11:45:28编辑过] - @3 _, S/ I, L9 ?
|