搜索
查看: 12026|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

. X) V/ j' C$ Q6 i9 r; ~% o

 

( d% l: T0 T( l9 q6 N' M

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。

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 E

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。

' 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+ U

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?

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, c

1、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 f

User-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) u

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。

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 t

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>
...

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

: k1 L5 ?7 Z @( h4 S$ Q' p2 F

  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。

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
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
% Z n% S& ` `7 J; {

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:

/ o, s: X$ |3 z) G( z

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

, l0 p# }' {; [9 ^5 J

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:

3 O$ @0 f3 I8 ~& J4 d

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

2 x$ F+ E, v) W

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:

7 C. a! Z; h# I' n

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

$ f% Z/ S( C ]) X+ Y( M5 E+ N

 

; B1 ^+ J( v+ `7 |( j( _
[此贴子已经被作者于2012-10-12 10:59:59编辑过]
. ^8 m3 M, ^3 C" D! m0 s
 楼主| 发表于 2012-10-12 10:55:20 | 显示全部楼层
) j$ [4 ^- ~, o# p+ ~% ]

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:

7 r- A" K8 C8 ^2 _: R

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

1 ^9 d& F, f# H

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:

( C( r. }; U! ~- k8 j3 [

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

N' l/ m1 D: m) M/ Q

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。  

0 X' B$ F9 _1 L6 [5 D6 n+ K2 [
[此贴子已经被作者于2012-10-12 11:01:38编辑过]
$ P) R/ ]' g$ }3 a) m
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