|
百度robots.txt文件检测地址：http://zhanzhang.baidu.com/robots 0 A6 a+ e0 ~/ ~/ J
7 K; o% Z+ n1 S( s
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。
! P/ t5 t) ?) w) V二. robots.txt文件放在哪里? 2 K! Z2 u w4 u0 c7 ^
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。
: M! [2 A$ o# y7 F5 x7 g& {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
! A8 x/ H9 S5 q6 g5 I7 c* ?三. robots.txt文件的格式 0 u9 c( V% e- S! r) h0 _
"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：
1 s$ I* Z3 H% @+ o. G+ y"<field>:<optionalspace><value><optionalspace>"。
! K- Q: X( k& F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 E6 c, |' C' q$ j) zUser-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。 ' ~* i2 f* A: c9 }
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。
, g8 x+ {; `! A3 R5 Z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。 {. I: O6 I4 o( Q
四. robots.txt文件用法举例
0 v/ S8 M- O& K' e9 b) x例1. 禁止所有搜索引擎访问网站的任何部分 6 p- Q7 ^. t* C) u
下载该robots.txt文件
User-agent: *
Disallow: /
( s6 Z8 a, t* d8 G例2. 允许所有的robot访问
! n u2 K5 [7 h* R(或者也可以建一个空文件 "/robots.txt" file) 1 T: m! d8 M, B- d2 z
User-agent: *
Disallow:
' g1 g7 W% w' W! \例3. 禁止某个搜索引擎的访问
User-agent: BadBot
Disallow: /
" L/ E% | }" S) w5 j: v- f例4. 允许某个搜索引擎的访问
User-agent: baiduspider
Disallow:
User-agent: *
Disallow: /
, K. B- _7 g, H& O) E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/ ! F, @ R6 k& F! u5 _8 ?9 R. }3 w
五. robots.txt文件参考资料
% n) ^3 y9 w9 T0 r# xrobots.txt文件的更具体设置,请参看以下链接： 4 ~- g5 x. g0 o: |
· 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 H4 [1 U& J$ R, O6 }) [5 y
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？
/ Y7 j" t7 O8 `* w& s3 C, x" aInternet上的流浪汉--- Web Robot
' `& \/ X- f* A7 f V# m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。
/ U7 D& [' ?& V- _ B% [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。
3 W$ j) {9 h6 ~3 f* `* d3 k其实Web Robot能听懂你的话。 + M- K# @% ?" g& W9 u
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： % s5 K% _) \6 R
1、Robots Exclusion Protocol 协议
4 P6 y! b8 t2 c# J0 F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. 7 H. ~, s! V/ ?4 @0 g* X
2、Robots META tag
& W: m1 D) O) f: {! l5 k5 R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。
& n; d6 F+ |% Q n% c- l# {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。
# l9 ]" a+ b6 e3 N4 Q使用Robots Exclusion Protocol协议 4 `( o, X* v% z' F. ^7 `
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：
4 l `2 w! G/ }% I ?' C- kUser-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /~joe/ / a; A, o0 C6 i1 Y
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。 ! M; I6 F" c A$ f; A
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。 7 A% Y6 A( \& |1 e8 |/ Y
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。 5 m8 x5 N. I9 ?
下面是几个robot.txt的例子：
& w4 E" H- m7 Q- |5 l& z8 ]8 B在整个服务器上拒绝所有的robots：
User-agent: *
Disallow: / 2 \7 s, E- o6 z
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。
* H8 H! U! p( j8 \3 M6 J) [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/
9 F, b' u @# ~& q: m" H拒绝某一个专门的robot：
User-agent: BadBot Disallow: / / T3 l7 s) E" e
只允许某一个robot光顾：
User-agent: WebCrawler Disallow:
User-agent: * Disallow: /
7 N5 C9 m/ N4 S9 |4 [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
5 t/ y h+ w2 w3 S" c& C3 {使用Robots META tag方式
: p- ]8 X2 l1 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。
% e% k7 q4 u$ e+ f# i& ~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>
...
' H3 |8 n; E, W/ r/ B$ q; Y& CRobots 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>
5 P* [/ ^2 M' Y! M+ B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。 2 c$ {- A3 R1 z9 U! P
2 o6 R8 N6 k' {& s( I' |==================================================================
0 Q+ g- C# x( A / v( w6 l) e6 l/ V8 ^$ g' 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 : A' f Y5 x: [# ^( V+ _9 p
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。 ( h, [& r X9 s: D) k7 L
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。 4 ]0 ]+ X. W; D8 E; h
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 6 d1 K! @7 \5 [2 o. I! l
User-agent: 定义搜索引擎的类型 " w9 c* |$ Q2 F- X
Disallow: 定义禁止搜索引擎收录的地址 7 S Y" O2 @% z: z
Allow: 定义允许搜索引擎收录的地址
# ?7 c/ s- B! x. \5 F 我们常用的搜索引擎类型有： # U- j6 C" w4 H. \* @1 u' J2 ]
google蜘蛛：googlebot % V& J% I, C e# ]4 n
百度蜘蛛：baiduspider
% c+ ]/ s: u' f1 R0 P) Q6 M o yahoo蜘蛛：slurp
7 h( n1 N& h8 M alexa蜘蛛：ia_archiver
' [ C3 S! C3 q& ] msn蜘蛛：msnbot
% N3 t7 [+ T1 _* J* G altavista蜘蛛：scooter 2 x, M8 m C7 ?8 I7 H
lycos蜘蛛：lycos_spider_(t-rex) ! p1 W: r, p& k, ]( _7 q) y
alltheweb蜘蛛：fast-webcrawler 5 Z; V8 j/ q# U/ H) j
inktomi蜘蛛： slurprobots.txt文件的写法 & W" f8 C6 T, s* X% D1 |
User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符 9 Z( o1 \# }& a& ~! u
Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录 5 X" g) r3 M4 B+ l) V9 {9 r
Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录
& e, H( { {0 K; V Disallow: /ABC 这里定义是禁止爬寻ABC整个目录 * P: w |3 W F$ X+ O
Disallow: /cgi-bin $ D. P: p, f& x7 v1 X9 O
要拦截对所有包含问号 (?) 的网址的访问，可使用下列条目：
1 R4 f, k3 c1 r/ }, n& g9 i/ R( p User-agent:*
2 ^$ d6 F- ?5 |; M% C Disallow:/*?*
/ n/ E2 F5 `/ a- Z 使用 $ 匹配网址的结束字符 3 \7 Z3 b- g9 V6 E
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：
, A; t' k' b2 j6 b9 `9 z User-Agent:Googlebot
# s! o7 A- H: @8 J Disallow:/*.asp$
M8 l/ e' M' A! k 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：
0 z1 {+ ?3 Z) N* H: ` x User-agent:*
) {( x8 d# {1 h7 N Allow:/*?$
y( A9 E: w/ Y Disallow:/*? / h3 M; I1 o; C" Z
Disallow:/ *?
, O# Z! M: F) q! m, S* ]' { 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）。 3 E3 Q8 M$ T. I" [# A
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 7 w: e. l8 j9 x, j2 S
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 B+ A* }" T$ @9 |
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 \+ p- ^* a# E( z- _
index指令告诉搜索机器人抓取该页面； B+ E" m$ P( {$ f5 d! k
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； 7 E5 l2 v) I+ D
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。
! j! n# V$ w* K% I, K1 j. ? 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。
# Z" }. y* _5 Y4 x+ Q5 Q) Z 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。
2 s7 y' ~. S: u8 T
( L7 ~0 v6 N; D1 J+ B6 arobot.txt 可以在谷歌管理员工具里面生成。
9 R( T& \2 n3 E" {/ f9 _) B, q有发现404页面 及时用robot.txt屏蔽 - {* ?5 m% V, h5 h
[此贴子已经被作者于2012-10-12 11:45:28编辑过] 5 H4 i' {* f4 ]8 H& f# x! d
| 
发表于 2012-9-27 15:38:17
千斤顶
显身卡
发表于 2012-9-27 20:32:16
楼主
鲁公网安备 37021102000261号