百度robots.txt文件检测地址:http://zhanzhang.baidu.com/robots
% X# t) D _+ T8 o" s1 f( i, r0 n! \ 2 w# g! Y3 ^" P% \' Y' t" }" h& [
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。 + T9 p1 g/ [* w0 N5 }( L0 _
二. robots.txt文件放在哪里?
- v; e/ I: }7 k& y, x0 ?+ e( krobots.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。 & L: U9 u- [) f# Z
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 , u" [ w5 [8 q
三. robots.txt文件的格式 3 T! ?1 B; x1 y( G0 n1 p( q
"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:
* |- {! G5 C6 S( O"<field>:<optionalspace><value><optionalspace>"。
/ I" M( W2 l* Y% d- o2 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: 5 I9 I% \/ i, e
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。 + Y8 ^( A! A6 K% D6 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。 + v" j, D5 p& M8 }1 T T
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。
! b7 L T: n9 E* _四. robots.txt文件用法举例 \, U e+ Z7 c1 T4 K1 D
例1. 禁止所有搜索引擎访问网站的任何部分
4 A6 _" [0 a& N* j5 \' }8 m# t下载该robots.txt文件 User-agent: * Disallow: /
, [$ \, S; B2 ^! O( |# T/ Q- E例2. 允许所有的robot访问 + ]% ?% k) M, V
(或者也可以建一个空文件 "/robots.txt" file) $ c6 b# X; h9 ^, g( O
User-agent: * Disallow: - Y( R3 Q) J8 T! ~7 f: W5 @; `
例3. 禁止某个搜索引擎的访问 User-agent: BadBot Disallow: /
, F! W0 K. l+ P. s; ~" M例4. 允许某个搜索引擎的访问 User-agent: baiduspider Disallow: User-agent: * Disallow: / ' U* r& S% S0 j( R, k. s2 J- q R
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/
; U2 ?' d# q! F% q五. robots.txt文件参考资料 + |, P* b0 Q0 T# }# L
robots.txt文件的更具体设置,请参看以下链接: + b$ x& U: g& k* F( ^* y
· 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。
" M" x, G. [( e AInternet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 f4 J, A% ]" |) NInternet上的流浪汉--- Web Robot 9 v8 p: O3 |; z3 |. x* v7 w7 Y8 T
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。 ; B- z. e0 A0 _9 I: p$ v
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。 4 R) [9 M/ Q8 }$ }& j. G2 v5 K
其实Web Robot能听懂你的话。
* h5 j4 W" w- M" v6 u r6 h3 J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:
0 W2 A* {1 |8 N) V! F1、Robots Exclusion Protocol 协议
% ?7 t( o9 n0 K- ^4 v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.
) [, H( g9 |6 |, ]2、Robots META tag 5 G; z7 V B9 z8 \8 ]* {' _
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。
5 M9 n0 E' [, K3 |5 c- V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。 . H1 [/ a4 B! H3 u9 r
使用Robots Exclusion Protocol协议 % W, D0 f2 D' p, `. R5 E
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: , g3 | V& h! ^& y) g, e6 I
User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ 0 ^! P1 x8 J. p+ H% W0 X
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。
% X. P, V5 x _0 L e% |% d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。
5 s" }3 k% T4 {* A( w/ A7 ^1 @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。 2 k+ m9 S0 z- x# w4 y' w2 l
下面是几个robot.txt的例子:
! V6 t0 M7 H0 k6 h& H ?* ]2 z在整个服务器上拒绝所有的robots: User-agent: * Disallow: / 9 X9 t' H1 \) a, I
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 }/ |. N6 s0 u) 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/ # H. j! ]- t A! {- y1 q1 m
拒绝某一个专门的robot: User-agent: BadBot Disallow: / ( n2 }8 o" m; W9 s. S s/ c
只允许某一个robot光顾: User-agent: WebCrawler Disallow: User-agent: * Disallow: /
8 w0 z# M% c% }9 C$ l7 ?) R2 a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
% J' @, w6 E! f使用Robots META tag方式
- f* ]; J9 v# H% a9 B5 m' I/ [' oRobots 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。
, R* G& b" N! ^6 b) h6 sRobots 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> ...
# x6 _7 l9 L' q0 WRobots 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> + z7 y. i% i' t4 M2 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。 9 E" _- h0 J+ ^$ d. I; r. b
+ J; O& X) n& X================================================================== # u- w8 C4 p( G1 Z5 k/ O, t
2 G1 F9 o, \% d$ g; e5 }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 + E- n! y( \0 m' j: U1 {4 U
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。 4 J: ~9 L9 q" r- W2 ]; S
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。
$ s' y4 ]; [4 j3 \7 x% _; f 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
4 M: X& B& n% B; n% j User-agent: 定义搜索引擎的类型
0 P9 \8 g: l# ?6 P: X% D1 V7 d Disallow: 定义禁止搜索引擎收录的地址 . c* o/ W z6 ?9 _( |
Allow: 定义允许搜索引擎收录的地址 3 l+ ?1 n- T% s7 o+ N* [
我们常用的搜索引擎类型有: 1 @ R. u5 X* c( A( f9 O; I
google蜘蛛:googlebot
+ {- _1 w7 M$ V/ D- I 百度蜘蛛:baiduspider
/ d7 t' U4 D( z1 w yahoo蜘蛛:slurp
" @$ ?/ u: Z% R1 |# ? alexa蜘蛛:ia_archiver
4 W: _5 ]( d: T& n2 W msn蜘蛛:msnbot ' \8 Y+ Q$ K0 T
altavista蜘蛛:scooter ; B$ l9 q8 q. B0 U
lycos蜘蛛:lycos_spider_(t-rex) : ]0 W( R) X C1 N
alltheweb蜘蛛:fast-webcrawler
3 }- L, E9 N9 o* n6 _- G% N inktomi蜘蛛: slurprobots.txt文件的写法
/ T4 `( D/ W, Y% G User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符
7 m2 g7 t' i/ ?# c' i w% K) N Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录 : Z3 v- r4 L+ f3 F3 T5 w
Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录 + \ _- t4 S+ R0 N* `) R- H
Disallow: /ABC 这里定义是禁止爬寻ABC整个目录
- u& Q5 j- a: Z+ M b2 ?- @ Disallow: /cgi-bin 5 f' d, X" _, ]7 k
要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目: 2 I& T3 d* H; ^1 Q
User-agent:* Y0 H/ ^! D$ z
Disallow:/*?* 1 g3 R1 s' s8 y0 l
使用 $ 匹配网址的结束字符
' J% I) _0 @- m9 y4 l, n, Z 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: " Y' Q% E4 d! K: ^
User-Agent:Googlebot
; t" h/ [% U( [) H/ q3 b: P9 \ Disallow:/*.asp$ 0 ^0 o6 |2 m- O8 }% J/ 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: $ Y2 P9 H1 s, e q& s
User-agent:* " M& i$ j! g* ^: K6 W4 d
Allow:/*?$
5 ]: R \8 `. X4 @ Disallow:/*?
& x5 x+ n; l; ?5 Z/ ?+ t Disallow:/ *?
6 F9 r% n7 V9 j% Z8 q9 G 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)。
% y7 T. s2 l- Q$ w4 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
% V3 d; ~* n3 } 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。 6 [5 A! `# \2 ?! M
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。
9 {' S' \7 n4 z index指令告诉搜索机器人抓取该页面;
: B: W1 ?% |3 {- w1 K8 x. l 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;
* g, i3 P* o8 n7 r& {; 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。 & L- X8 D) @% y8 `2 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。
3 \- N( a' R, b: ]2 n% N1 C8 a0 [ 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。
I7 T. G3 [" C/ x6 p
; M* L& r! X9 q: W6 u' \- j) A* nrobot.txt 可以在谷歌管理员工具里面生成。 8 o3 D1 R3 p5 I# K$ N$ `
有发现404页面 及时用robot.txt屏蔽 , k' u3 r* j K2 E4 k3 H
[此贴子已经被作者于2012-10-12 11:45:28编辑过] * u! A) N! }; N% v+ F& M' {/ X' q
|