教你用好robots.txt

Posted by admin on February 3, 2010 Leave a comment Go to comments

转的帖子，觉得不错，略知何为robots，但是想必真正了解的不多吧，好好看看，觉得很有帮助。

如何不让搜索引擎收录？
一．何为robots.txt?
　　搜索引擎通过一种程序robot（也被称作spider），自动爬行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。

二. robots.txt文件放在哪里?

　　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。

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

三. robots.txt文件的格式

“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：

　　　　”<field>:<optionalspace><value><optionalspace>”。

　　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：

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。

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。
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。

四. robots.txt文件用法举例

例1. 禁止所有搜索引擎访问网站的任何部分

　　　下载该robots.txt文件 user-agent: *
disallow: /

例2. 允许所有的robot访问

(或者也可以建一个空文件 “/robots.txt” file)

user-agent: *
disallow:

例3. 禁止某个搜索引擎的访问
user-agent: badbot
disallow: /

例4. 允许某个搜索引擎的访问 user-agent: baiduspider
disallow:

user-agent: *
disallow: /

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/

五. robots.txt文件参考资料

robots.txt文件的更具体设置,请参看以下链接：

· 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

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、javascript、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？

　　internet上的流浪汉— web robot

　　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。

　　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。

　　其实web robot能听懂你的话

　　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：

　　1、robots exclusion protocol 协议

　　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.” target=”_blank”>http://…/robots.txt.

　　2、robots meta tag

　　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。

　　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。

　　使用robots exclusion protocol协议

　　当robot访问一个 web 站点时，比如http://www.sti.net.cn/，它先去检查文件robots.txt” target=”_blank”>http://www.sti.net.cn/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：

　　user-agent: *
　　disallow: /cgi-bin/
　　disallow: /tmp/
　　disallow: /~joe/

　　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。

　　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。

　　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。

　　下面是几个robot.txt的例子：

　　在整个服务器上拒绝所有的robots：
　　user-agent: *
　　disallow: /

　　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。

　　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/

　　拒绝某一个专门的robot：
　　user-agent: badbot
　　disallow: /

　　只允许某一个robot光顾：
　　user-agent: webcrawler
　　disallow:
　　user-agent: *
　　disallow: /
　　

　　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
　　

　　使用robots meta tag方式

　　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。

　　robots meta tag的格式为：
　　<meta name=”robots” content=”noindex, nofollow”>
　　象其他的meta tag一样，它应该放在html文件的head区：
　　<html>
　　<head>
　　<meta name=”robots” content=”noindex,nofollow”>
　　<meta name=”description” content=”this page ….”>
　　<title>…</title>
　　</head>
　　<body>
　　…

　　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” content=”index,follow”>
　　<meta name=”robots” content=”noindex,follow”>
　　<meta name=”robots” content=”index,nofollow”>
　　<meta name=”robots” content=”noindex,nofollow”>

　　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。

顶一下

(0)

100%

踩一下

(0)

100%