百度robots.txt文件检测地址:http://zhanzhang.baidu.com/robots 5 `; f# ?% a8 d# v
! |/ ~* h W- \5 Hrobots.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。
3 q8 O0 g& C$ c0 h/ D( U二. robots.txt文件放在哪里?
" o. W& a1 x) R- {2 Nrobots.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。 $ T* I; s+ e; F3 p
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 ; H) d# K1 D; f! `3 @
三. robots.txt文件的格式 " `) u4 c5 {, I1 J! g: w$ [
"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:
2 R" A1 F0 Z1 D0 v6 h: w" V, \! i"<field>:<optionalspace><value><optionalspace>"。
7 R6 V% p/ H: d6 X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:
& O5 I/ a, Y9 q( t4 DUser-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。
4 s3 o8 J X+ d) O6 a0 F- X* ODisallow : 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。
) M% y9 A' Q4 O: a) k. 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。
4 m# N# p+ q7 l% \3 a四. robots.txt文件用法举例
+ D& m. N$ {. X8 y% m( c {6 m9 x例1. 禁止所有搜索引擎访问网站的任何部分
; k2 M1 Y1 L3 X' H7 \下载该robots.txt文件 User-agent: * Disallow: /
1 F8 D4 R. Y8 Z) M u, y2 |/ ~例2. 允许所有的robot访问 / Z: J$ v4 {2 O: m% S" ]* g% \! _
(或者也可以建一个空文件 "/robots.txt" file) . ~& Z3 ~; K+ d& m% G' b. H
User-agent: * Disallow: 1 d' r& ~% P0 g: X7 n W# I S
例3. 禁止某个搜索引擎的访问 User-agent: BadBot Disallow: /
' s% j, Y* M& S% J6 ?5 G例4. 允许某个搜索引擎的访问 User-agent: baiduspider Disallow: User-agent: * Disallow: /
) M2 a( m8 V& P1 r$ x- {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 Z: m& U. {' c6 B1 p* }; `五. robots.txt文件参考资料 0 d- U& B8 R7 E* y3 o
robots.txt文件的更具体设置,请参看以下链接:
! b; N3 ~ D5 F. _3 D4 K· 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。
) {1 Q1 A8 q; P5 u* ]' ]2 rInternet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?
: y0 C2 t' h# VInternet上的流浪汉--- Web Robot 1 S/ w5 r' G1 m# A
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。
8 q2 Y6 N- D. ~0 SWeb 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。 + n ^- y7 K1 A
其实Web Robot能听懂你的话。 / i. ^5 M$ e5 U& W. K$ ~* E4 W
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:
: }% W4 r; \; k& j( V1、Robots Exclusion Protocol 协议
: ~4 c% y# W& }' d, B5 B1 n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.
+ @# t9 S* Y7 T3 z0 M+ G) I! G2、Robots META tag
6 C [2 i) x! u+ Z& L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。 ' q9 l, k/ F: Y# \
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。
9 u+ ~- I' b/ a2 A3 v, m6 g使用Robots Exclusion Protocol协议 ( l. }9 \, y: k1 e/ a
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:
, U" U, s1 d" G- g; z! {& ]9 XUser-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/
) R3 w7 [/ E7 I6 U0 \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。
7 S* {) N# O! f$ G, [% U, q2 k0 f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。
: s4 l: n& b- |) M# mUser-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。
3 G4 l$ ]. G" @' H. {& b# X9 z4 G下面是几个robot.txt的例子: ( j v! C" C" J% E/ a: K
在整个服务器上拒绝所有的robots: User-agent: * Disallow: /
0 Z" M' \9 S6 g7 t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。
( u% r+ b5 w4 ? \9 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/ ' B* i! E- Q6 a# q3 |& [
拒绝某一个专门的robot: User-agent: BadBot Disallow: /
* R& M7 M3 r* N6 u只允许某一个robot光顾: User-agent: WebCrawler Disallow: User-agent: * Disallow: / $ ?) t4 y5 M) V0 F7 B
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
9 f# g$ Q7 P6 D1 l) s4 g3 Z使用Robots META tag方式 8 O# Z# `! z% o3 r0 v
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 X/ J& c# T( G, w2 w+ l/ GRobots 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> ... , h' Z8 x+ Q0 l8 l s8 U
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> # p9 J$ X' I8 z. c. v
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。 % ^) N: Z" I) `& _0 P& h8 R
" B/ D! ~( f( P! @2 g================================================================== & @' g" f- K: c( n$ R$ ]' b, V8 p
6 a, o2 V2 l7 l! p, `6 h
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 4 E; s/ I: m/ o1 V6 L' g
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。
; y+ ~" K1 S5 B& m1 S. S2 D 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。 2 G5 c8 H% G# N. z) l$ X' @
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
2 I5 ^- X3 f: p: { User-agent: 定义搜索引擎的类型
" X0 r8 O$ |. h$ O* N6 D, G% |+ r Disallow: 定义禁止搜索引擎收录的地址 ; T- O% J4 a) Q( P
Allow: 定义允许搜索引擎收录的地址 % r) g, [4 q1 ?) B% h; \
我们常用的搜索引擎类型有:
7 a2 c1 o; M2 D" b# `/ H google蜘蛛:googlebot & K9 n2 W' q1 X/ L
百度蜘蛛:baiduspider - d3 R* L* E$ D& y$ b
yahoo蜘蛛:slurp
9 r. y& I$ v# ?2 s0 F alexa蜘蛛:ia_archiver 8 M8 }; ~' b$ L7 m- A& o3 c: ~
msn蜘蛛:msnbot
* p4 V$ C6 v+ j! w' t2 o+ c) e+ ` altavista蜘蛛:scooter
! s, M1 C( P0 n8 X4 o, x `/ h2 u lycos蜘蛛:lycos_spider_(t-rex) , X% W( `. ^- w# F% H
alltheweb蜘蛛:fast-webcrawler 4 p$ w+ W- E) z3 l* U. Z: T
inktomi蜘蛛: slurprobots.txt文件的写法 , c# j+ S6 ?% e! m
User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符
4 d& ^+ D( @& |) [' X) o Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录
& J5 k5 Q7 F6 O9 `* | Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录
0 G0 x6 i0 J% z( O1 W Disallow: /ABC 这里定义是禁止爬寻ABC整个目录
" y& `6 T* J- o, e, C Disallow: /cgi-bin
2 J& e6 {9 [$ h6 L 要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:
- v! u- Q" A1 p! y; d8 Q1 p User-agent:* ' i2 h+ ^1 \! ]6 T. V5 Y ]
Disallow:/*?*
7 B; g, `% J: T8 u8 F 使用 $ 匹配网址的结束字符
1 @% J# K+ L. j; M- G 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: % R) M- p( O8 c# m' q( U/ J7 m$ o z
User-Agent:Googlebot
}6 v& l2 a& [: P/ m3 h Disallow:/*.asp$
8 N K4 A5 Z4 i" h% e 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 i# R$ ]& W# X# h. I7 Q
User-agent:*
6 B# O/ c8 G) C! Y' W1 G8 a Allow:/*?$ 3 M& Q# W$ a. w' V3 R' ~
Disallow:/*? 9 `0 f. M' X; @& j
Disallow:/ *?
' {, m [5 d) x! t5 O 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)。
0 B( ]6 O; j9 Y" N+ N 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 b/ Z: b& A- n( T4 H
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。
; M! `8 ?! ~/ r/ G1 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。 % P- f- k/ r! z6 _: t7 H
index指令告诉搜索机器人抓取该页面;
3 Q; O# i, \1 k* v& m 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;
. s, F2 O, m: v, k# [0 ^ 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。 7 M) k2 K8 ]+ j5 y3 U- G8 P9 _2 X
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。 & i1 O8 |- T$ E" ~
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。 . x s& e/ W, o5 q+ B; T4 D
" A, _( F- v2 u9 x4 v. h5 q- [2 Irobot.txt 可以在谷歌管理员工具里面生成。
1 S/ t' y" ], [# f& a有发现404页面 及时用robot.txt屏蔽 ' m+ o* \9 g: m, y6 [2 s8 ?/ l8 S1 f3 m
[此贴子已经被作者于2012-10-12 11:45:28编辑过]
1 B1 c- |# w e' V6 e |