搜索
查看: 13687|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

( \9 p8 G0 j5 x, J7 `, a

 

% H# w$ h: S- W

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。

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& x

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。

3 Y+ u. D! t$ x- c

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。

% 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/ h

robots.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$ S

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 [$ 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:indexnoindexfollownofollow,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indexfollow,只有inktomi除外,对于它,缺省值是indexnofollow

* S0 R1 c- o, O

  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。

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
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
4 y: K6 z j8 @. s) S5 r

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:

! D! f/ ~2 f( K! b6 H

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

?) H2 e3 V' B% O ]0 z, k+ b

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:

4 C; ]% m) _7 \; V' H$ Y

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

4 Q0 \6 o. [0 _! w& ~6 s7 A

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:

' [8 s; o+ ~+ f+ G! G

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

& V+ t7 T5 X& o( [" ^

 

. `% ~+ x2 h+ U Q2 Z
[此贴子已经被作者于2012-10-12 10:59:59编辑过]
1 o3 z. V5 Y0 I$ X& i$ A# a
 楼主| 发表于 2012-10-12 10:55:20 | 显示全部楼层
9 G7 U" C/ _6 l- ^5 f1 E

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:

8 F* K7 _# l7 l* r1 W: s

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

' H8 { _6 [5 X

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:

! y2 e) p# a' z! u% J! k( ~

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

! x0 c: l! r' J2 F' X

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。  

$ R1 P2 d0 j: I2 ?
[此贴子已经被作者于2012-10-12 11:01:38编辑过]
. C$ ?* O* K% |4 O
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