百度robots.txt文件检测地址:http://zhanzhang.baidu.com/robots
( \9 p8 G0 j5 x, J7 `, a
% H# w$ h: S- Wrobots.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。
w# b$ S: b; Q+ r二. robots.txt文件放在哪里?
/ V* n0 u: d5 ?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。
" T4 \" \! ^6 M. C9 [. ^: i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
& s- L/ T7 r" H2 j! `: W& b3 U# z7 a三. robots.txt文件的格式 4 `+ Y4 T$ o+ j: A' V/ O, f' V
"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: ' K/ ^6 X- u! c) o. e
"<field>:<optionalspace><value><optionalspace>"。 " s. e) W8 D" a% C2 Z! E6 d% A3 j
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:
6 G i4 K" F$ t7 y9 s& xUser-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。
3 Y+ u. D! t$ x- cDisallow : 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。 % y; E) r) b; \' d
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。 . J7 I/ K- P- J5 P1 }
四. robots.txt文件用法举例 9 U8 I7 y9 _/ y! w1 d4 y* m
例1. 禁止所有搜索引擎访问网站的任何部分 5 `; C$ S8 @6 f, w$ w
下载该robots.txt文件 User-agent: * Disallow: / ' u$ D6 d, ?0 P; h6 U; j
例2. 允许所有的robot访问 ; K' \/ q+ L8 e8 o
(或者也可以建一个空文件 "/robots.txt" file) ! y4 V' }2 [, {- k! {6 x
User-agent: * Disallow: ! V* u& b l9 [, _4 J; g* V
例3. 禁止某个搜索引擎的访问 User-agent: BadBot Disallow: /
j3 |3 g6 T& s: F c例4. 允许某个搜索引擎的访问 User-agent: baiduspider Disallow: User-agent: * Disallow: / ' p4 g" O* e1 y+ p' U: Y
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/ 4 B) H; \7 C* t& @2 F# K
五. robots.txt文件参考资料
" v" Y) {: i/ a3 U/ hrobots.txt文件的更具体设置,请参看以下链接:
4 c' y. y: D) I; m/ \- V· 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。 0 b% A) i3 J5 E+ O; |- H1 A
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? 8 h3 B* S9 r( |4 n7 L
Internet上的流浪汉--- Web Robot
' {9 Z% U; X! @; D, ?; Z7 w G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。 & n5 X* o9 n6 T% E% I w
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。
1 }% F# D! ^2 G: y其实Web Robot能听懂你的话。 " i7 S2 _& H# e+ [# O
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:
8 ~5 G& C7 U$ Y. c+ J" b/ b. R; K% }1、Robots Exclusion Protocol 协议
) S- M2 L0 W2 L9 \ Y! e! f0 H- O5 y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. # W$ h. e9 [3 {: F& \
2、Robots META tag " F5 t) e1 l P" j
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。
) C0 x! |, g$ Z- l h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。
! t+ [ F3 l4 y5 F% `- \使用Robots Exclusion Protocol协议
$ m& T# V# ~. `& B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: $ ^/ Y* [# [. [" q7 y3 L" v
User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ . G- R$ e) E8 ^% p( W7 i
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。
9 M; B# d& l6 Z' Z: G' \/ c/ W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( f. x4 `, O/ n r
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。
- }8 k% l! f5 G* F1 m8 P$ T6 `下面是几个robot.txt的例子: 9 _" i5 u7 c) |# H5 J/ a' M3 m
在整个服务器上拒绝所有的robots: User-agent: * Disallow: / " `6 d0 a) E, E; f' }1 G5 c
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。 * _2 L$ W5 b ]
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 C3 {5 r0 K# \
拒绝某一个专门的robot: User-agent: BadBot Disallow: / / T" G1 U% ]" q7 [" A
只允许某一个robot光顾: User-agent: WebCrawler Disallow: User-agent: * Disallow: /
1 e: `* r( U7 d! O; C) v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
7 U) Y/ o) Y; [- I5 u使用Robots META tag方式
\$ j: n9 Q$ D' i* d$ SRobots 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 [$ f) |) z6 F3 o( w
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> ... $ R4 Z: q3 e4 e8 d0 J
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> & H# s' Q; N2 t' z6 q
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 I7 N- f5 z' H9 r/ {8 i, z
5 ?# \0 L: P$ }) r6 C
==================================================================
+ U" a( V+ Z1 l8 U4 T3 T
" q% a: X4 J& k& t" }! O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
! I! j+ O( [# z3 Q! I4 h 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。
+ R8 n) P c8 A, _& k& Z, I 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。 # N) [+ r- K$ G( _% `5 @' y
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
# s# W" Q7 Y6 r; Z0 q, _4 i User-agent: 定义搜索引擎的类型 + m7 o% c- y" c6 f" ]2 w
Disallow: 定义禁止搜索引擎收录的地址
/ S/ S" s6 Z1 D. g Allow: 定义允许搜索引擎收录的地址 + i8 O, H2 S% O/ A& y
我们常用的搜索引擎类型有:
, _/ K. H$ A, f google蜘蛛:googlebot 7 |) y" ~) K. i/ p5 R
百度蜘蛛:baiduspider 4 L. M- L7 D0 c, i/ s3 ^6 Z" n
yahoo蜘蛛:slurp + I K$ s, B+ J
alexa蜘蛛:ia_archiver
1 f% U6 J% ]; x# _$ Z msn蜘蛛:msnbot
" H7 f( `3 M: `" w3 L altavista蜘蛛:scooter 9 f6 X$ O9 U: V7 _$ N
lycos蜘蛛:lycos_spider_(t-rex) 1 W+ N8 r" L' I8 b
alltheweb蜘蛛:fast-webcrawler
, [' I' L) l% b) C' X4 @ inktomi蜘蛛: slurprobots.txt文件的写法
q( w+ O1 `4 U* A User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符
, s# i: i3 Z& J+ N* ` Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录
$ B+ r, p5 b3 w Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录 2 e; {4 _ p' V" v2 K" ?. L, s
Disallow: /ABC 这里定义是禁止爬寻ABC整个目录
6 L% Q7 P+ C2 ^, [* E. p5 u- I2 h Disallow: /cgi-bin & o9 q+ A6 j) b& n! ?" E) k
要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:
7 h0 E7 T# k! p& b v; n3 ~. N User-agent:* : ] h5 N1 L% H2 u
Disallow:/*?*
! E, P9 T& ?% A0 h 使用 $ 匹配网址的结束字符
& ]. l" i1 B) b# 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:
! c8 n- _6 e$ x8 b1 t User-Agent:Googlebot 0 r# W' g: l; k7 |
Disallow:/*.asp$ ' r3 z% i$ e. J( ?% G# m
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: 6 ?2 x! b, |3 K7 X( t
User-agent:* ! n m) k8 Y8 s; n4 Y0 |: x
Allow:/*?$
2 ~9 l M- }$ Y, G Disallow:/*? 1 [/ [" M9 g' J9 O& t
Disallow:/ *? 2 [" U: x3 {" n! v9 |
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)。 ; K) ]; i" ?4 Q, E8 @$ \3 W
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 2 W8 K9 f- w2 E1 o
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。 8 _" o. {! M, h- Y
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。 , l/ M3 X* G g# L, {9 r7 s
index指令告诉搜索机器人抓取该页面;
4 ]1 ]% ~4 l& W r8 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; * }1 p0 O- L( D3 C
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。 * S0 R1 c- o, O
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。 9 L2 g+ p* L0 k
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。
: A# J7 Q! g! r1 |) k
+ b3 ~% ?& m5 r( Y6 t
robot.txt 可以在谷歌管理员工具里面生成。
, M% s$ i b [+ o有发现404页面 及时用robot.txt屏蔽
0 f# r. Z! o1 N r2 _ |8 m[此贴子已经被作者于2012-10-12 11:45:28编辑过] 2 f/ w4 r O4 N i/ I+ q0 ^# J
|