百度robots.txt文件检测地址:http://zhanzhang.baidu.com/robots
. X) V/ j' C$ Q6 i9 r; ~% o
( d% l: T0 T( l9 q6 N' Mrobots.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。 9 t4 [0 t* Z/ Z8 a
二. robots.txt文件放在哪里? 4 p* I* v* n( Q) a2 Z/ d
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。 # K- r/ u: V/ ?5 \8 X, }+ [7 n
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 ; e+ ^! E; D$ T% V; A6 F/ k. [+ }
三. robots.txt文件的格式
& P' ~# R6 Z1 {1 M2 o2 k"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 x7 N3 X8 z& r# z
"<field>:<optionalspace><value><optionalspace>"。
: I% u* {4 z8 Z5 o \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: ; v1 p6 M0 F8 p/ R% V2 M- F. s( X8 F+ `
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。
: Z' a9 F6 I5 EDisallow : 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。
' w) o4 o' ^5 W/ O. f5 ], r; 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。 / {5 ` n5 X5 F' g/ w8 b$ F# [6 ~
四. robots.txt文件用法举例 7 g0 y: f' [& W8 v
例1. 禁止所有搜索引擎访问网站的任何部分 ( d% j* U8 M& d: Q' E
下载该robots.txt文件 User-agent: * Disallow: /
9 ]" L$ W) W( j" {" w% i8 R2 R例2. 允许所有的robot访问
# C8 k# `# g. a D' Z, A(或者也可以建一个空文件 "/robots.txt" file) + }% E7 s" o6 ^4 O6 h5 D
User-agent: * Disallow: " I, n' |& @$ S k
例3. 禁止某个搜索引擎的访问 User-agent: BadBot Disallow: / + U4 x- U7 Y0 P: ~* q, s' i
例4. 允许某个搜索引擎的访问 User-agent: baiduspider Disallow: User-agent: * Disallow: /
" R7 g4 ^, g Z/ ~, d# \- c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/
. Q R' X _0 \) O$ @8 e五. robots.txt文件参考资料 ) D. P8 p5 C. c
robots.txt文件的更具体设置,请参看以下链接: ! o# }! t6 W* N1 }( 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。
# X V: }0 f2 V2 ^, c. j1 V, B$ _7 C+ UInternet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? 5 q+ Q9 j) J: }. W
Internet上的流浪汉--- Web Robot 3 S* Q0 i3 k) J% O i
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。 ! F2 H$ @ @8 M5 V9 j R/ N0 x1 e
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。 * I/ e$ x |9 d- z
其实Web Robot能听懂你的话。 8 J3 O% `, s ]& j8 L. u8 H+ F
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:
& p; y* d) }/ ^# ~$ }8 F, c1、Robots Exclusion Protocol 协议 : [+ |; v% b5 j: r
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. 4 ~* s# A; n3 h' o& ]
2、Robots META tag 8 q3 z: r/ j8 E+ u- U
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。
0 n L7 c8 X/ s3 b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。
+ [: f3 ?$ P2 ]8 Q* n$ X. w1 H使用Robots Exclusion Protocol协议
. c0 ^, q) |4 m5 O) H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:
! p" j- h! r: {( P7 fUser-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/
% r) T9 k+ I0 @$ B0 l L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。 ' ]5 `: l: P; q! X
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。
0 P9 K% y% v% a/ x; n' v: I* Z; ~; E) uUser-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。 0 g0 y# S& n& I' C1 d' L; q
下面是几个robot.txt的例子: 3 h$ D" N9 @; s6 g( L" u& B
在整个服务器上拒绝所有的robots: User-agent: * Disallow: / ) b) y# @6 r, P9 g- O) Q; R$ s' q8 K
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 t. ^6 ?$ q& w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/ " w# h! Q& Y; `
拒绝某一个专门的robot: User-agent: BadBot Disallow: /
) w- k: \7 @; \) d O' a只允许某一个robot光顾: User-agent: WebCrawler Disallow: User-agent: * Disallow: /
1 F$ { U9 v7 U* c) l) F1 e! s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 3 J! t4 a% T& L
使用Robots META tag方式 9 `+ t8 @, ~) r7 v; X
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。
1 \" K; N U7 K: ?) k1 tRobots 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> ... 8 {3 Z9 i/ l3 C( s# R, P$ m
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>
4 V$ s2 V; h" L; M" {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。
) V& \# Q7 ~0 }
8 H) Y$ K% m' Z" e* [ h==================================================================
: M: }" Q% g# N/ N. J% ^+ V
6 j8 E1 ~" h# F$ r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 8 h# u3 H' Z7 k8 J
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。 1 m- {0 X6 J0 z' o; z; W8 x- a
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。 % @7 A% x$ b# C/ S
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
& \. j G1 M+ V% v# ^) F" } User-agent: 定义搜索引擎的类型
. i' b2 v$ R$ s7 V+ ` G7 c Disallow: 定义禁止搜索引擎收录的地址 5 [1 B% p' d. f' ~6 f4 k5 N
Allow: 定义允许搜索引擎收录的地址
( n- a1 C9 a$ X$ |; o/ g; k0 J 我们常用的搜索引擎类型有:
9 [; I5 J. ]' N% {4 j# d google蜘蛛:googlebot
+ k5 q) U/ g, C2 z- f+ g 百度蜘蛛:baiduspider
8 D" n; z7 {3 J" l8 h yahoo蜘蛛:slurp 4 c; N" N$ P: B/ y& A
alexa蜘蛛:ia_archiver 6 l, q' ?+ ^: k u* u
msn蜘蛛:msnbot 4 M4 {( F8 V2 g7 c
altavista蜘蛛:scooter
0 x/ ^' }2 h) B% S! Y; ~ lycos蜘蛛:lycos_spider_(t-rex)
6 m6 B) a7 x) i' O- _ alltheweb蜘蛛:fast-webcrawler , }4 D* \' z' M) B
inktomi蜘蛛: slurprobots.txt文件的写法 ) J5 m7 O6 {4 a* v! y6 Z9 k
User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符
( I5 F7 y3 \7 j8 v1 u0 b0 p Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录 " y+ P( n; K! [
Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录
" c6 c1 K* k& V; L! L' C Disallow: /ABC 这里定义是禁止爬寻ABC整个目录 , P, ], X9 z/ z' R+ o
Disallow: /cgi-bin * l4 N/ w& J, Q/ A
要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:
9 L( K1 R" c1 U* A4 {4 d User-agent:* , }/ X' j4 r8 Y) Q
Disallow:/*?* H, ^, r: j$ K( m
使用 $ 匹配网址的结束字符
! ~8 y" o( a; O; ~" i2 O7 r$ M 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:
2 V4 _' l7 a, w+ h0 p) [ User-Agent:Googlebot
0 B* [) W1 N! \3 b- p Disallow:/*.asp$ & W2 r& j1 e( z1 n" R- o
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:
% @) G. A' S3 }2 ~, C4 c# H# g User-agent:* " R$ t, k8 M8 o% U
Allow:/*?$ + r$ ^3 _$ P7 h# D
Disallow:/*?
( ~& z+ P( e/ a4 M* J/ ^ v6 U i Disallow:/ *?
6 c& d' D" Z5 T5 A1 W$ 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)。
* U! `: E0 e/ Z$ t 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 3 J& E2 g1 k' m4 C% o" M$ L
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。
& ~$ F! _% s/ O 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。
3 k5 O. |8 D! i3 W9 b! q: ] index指令告诉搜索机器人抓取该页面; 8 z5 g! T. y, a& I/ e) |
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; O+ d2 O6 G$ p+ V* h
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。
: k1 L5 ?7 Z @( h4 S$ Q' p2 F 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。
6 C2 @/ |! Y" T! D3 A4 g% ^6 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。
/ ~; c& D; Y, C% D3 W+ Y
4 h) V- I0 k0 x3 H1 q2 }robot.txt 可以在谷歌管理员工具里面生成。
, F7 j( o8 X" K3 Z; n5 {- z4 t有发现404页面 及时用robot.txt屏蔽 . c4 R# q' Q, P0 a. ^ M
[此贴子已经被作者于2012-10-12 11:45:28编辑过]
5 C: ] h0 s8 ^7 ?; n% v) V- H |