网站针对搜索引擎收录控制:robots.txt和Robots META标签应用详解

搜索引擎都有自己的“搜索机器人”(ROBOTS),并通过这些ROBOTS在网络上沿着网页上的链接(一般是http和src链接)不断抓取资料建立自己的数据库。
对于网站管理者和内容提供者来说,有时候会有一些站点内容,不希望被ROBOTS抓取而公开。为了解决这个问题,ROBOTS开发界提供了两个办法:一个是robots.txt,另一个是The Robots META标签。

目前搜索引擎一般都是按照网站的robots设置来进行页面抓取。可以这么来说,如果你设置了允许抓取,则搜索引擎有权选择是否抓取该页面;但是如果你设置不允许抓取,那么搜索引擎就不能够抓取该页面,否则严重点可以到追究法律责任的程度。

关于robots.txt一般需要注意以下几点(常出现错误的地方):

1、如果你的站点对所有搜索引擎公开,则不用做这个文件或者robots.txt为空就行。
2、必须命名为:robots.txt,都是小写,robot后面加”s”。
3、robots.txt必须放置在一个站点的根目录下。如:通过http://www.seowhy.com/robots.txt 可以成功访问到,则说明本站的放置正确。
4、一般情况下,robots.txt里只写着两个属性:User-agent和 Disallow。
5、观察这个页面并修改为自己的:http://www.seowhy.com/robots.txt
6、有几个禁止,就得有几个Disallow函数,并分行描述。
7、至少要有一个Disallow函数,如果都允许收录,则写: Disallow: ,如果都不允许收录,则写:Disallow: / (注:只是差一个斜杆)。

下面介绍一下robot的基础知识及书写设置方法。

  一、 robots.txt
  1、 什么是robots.txt?

robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。Robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。robots.txt 是一个纯文本文件,在这个文件中网站管理者可以声明该网站中不想被robots访问的部分,或者指定搜索引擎只收录指定的内容。
当一个搜索机器人robots(有的叫搜索蜘蛛或者爬虫)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,如果存在,搜索引擎爬虫就会按照该文件中的内容来确定访问的范围;如果该文件不存在,那么搜索引擎爬虫就沿着链接抓取。

robots.txt 文件限制抓取网络的搜索引擎爬虫对您的网站的访问。这些搜索引擎爬虫是自动的,它们在访问任意网站的网页之前,都会查看是否存在阻止它们访问特定网页的 robots.txt 文件。(虽然某些搜索引擎爬虫可能会以不同的方式解释 robots.txt 文件中的指令,但所有正规的搜索引擎爬虫都会遵循这些指令。然而,robots.txt 不是强制执行的,一些垃圾信息发送者和其他麻烦制造者可能会忽略它。因此,我们建议对机密信息采用密码保护。)

只有当您的网站中包含您不想让搜索引擎编入索引的内容时,才需要使用 robots.txt 文件。如果您希望搜索引擎将网站上的所有内容编入索引,则不需要 robots.txt 文件(甚至连空的 robots.txt 文件也不需要)。

  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。它有两个基本属性。

  2、 robots.txt的语法

  ”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:

  ”:“。

  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。
  Sitemap

  该项的值用于设置网站地图

  下面是一些robots.txt基本的用法:

  禁止所有搜索引擎访问网站的任何部分:

  User-agent: *
  Disallow: /

  允许所有的robot访问

  User-agent: *
  Disallow:

  或者也可以建一个空文件 “/robots.txt” file

  禁止所有搜索引擎访问网站的几个部分(下例中的cgi-bin、tmp、private目录)

  User-agent: *
  Disallow: /cgi-bin/
  Disallow: /tmp/
  Disallow: /private/

  禁止某个搜索引擎的访问(下例中的BadBot)

  User-agent: BadBot
  Disallow: /

  只允许某个搜索引擎的访问(下例中的WebCrawler)

  User-agent: WebCrawler
  Disallow:
  User-agent: *
  Disallow: /

使用 robots.txt 文件拦截或删除整个网站

要从搜索引擎中删除您的网站,并防止所有漫游器在以后抓取您的网站,请将以下 robots.txt 文件放入您服务器的根目录:

User-agent: *Disallow: /
要只从 Google 中删除您的网站,并只是防止 Googlebot 将来抓取您的网站,请将以下 robots.txt 文件放入您服务器的根目录:
User-agent: GooglebotDisallow: /
每个端口都应有自己的 robots.txt 文件。尤其是您通过 http 和 https 托管内容的时候,这些协议都需要有各自的 robots.txt 文件。例如,要让 Googlebot 只为所有的 http 网页而不为 https 网页编制索引,应使用下面的 robots.txt 文件。

对于 http 协议 (http://yourserver.com/robots.txt):

User-agent: *Allow: /
对于 https 协议 (https://yourserver.com/robots.txt):

User-agent: *Disallow: /
允许所有的漫游器访问您的网页
User-agent: *Disallow:
(另一种方法: 建立一个空的 “/robots.txt” 文件, 或者不使用robot.txt。)

使用 robots.txt 文件拦截或删除网页

您可以使用 robots.txt 文件来阻止 Googlebot 抓取您网站上的网页。 例如,如果您正在手动创建 robots.txt 文件以阻止 Googlebot 抓取某一特定目录下(例如,private)的所有网页,可使用以下 robots.txt 条目:

User-agent: GooglebotDisallow: /private
要阻止 Googlebot 抓取特定文件类型(例如,.gif)的所有文件,可使用以下 robots.txt 条目:
User-agent: GooglebotDisallow: /*.gif$
要阻止 Googlebot 抓取所有包含 ? 的网址(具体地说,这种网址以您的域名开头,后接任意字符串,然后是问号,而后又是任意字符串),可使用以下条目:
User-agent: GooglebotDisallow: /*?

  3、 常见搜索引擎机器人Robots名字

  名称 搜索引擎

  Baiduspider http://www.baidu.com

  Scooter http://www.altavista.com

  ia_archiver http://www.alexa.com

  Googlebot http://www.google.com

  FAST-WebCrawler http://www.alltheweb.com

  Slurp http://www.inktomi.com

  MSNBOT http://search.msn.com

  4、 robots.txt举例

  下面是一些著名站点的robots.txt,可做参考

  http://www.cnn.com/robots.txt
  http://www.google.com/robots.txt
  http://www.ibm.com/robots.txt
  http://www.sun.com/robots.txt
  http://www.baidu.com/robots.txt

  5、 常见robots.txt错误

  颠倒了顺序:

  错误写成

  User-agent: *
  Disallow: GoogleBot

  正确的应该是:

  User-agent: GoogleBot
  Disallow: *

  把多个禁止命令放在一行中:

  例如,错误地写成

  Disallow: /css/ /cgi-bin/ /images/

  正确的应该是

  Disallow: /css/
  Disallow: /cgi-bin/
  Disallow: /images/

  行前有大量空格

  例如写成

  Disallow: /cgi-bin/

  尽管在标准没有谈到这个,但是这种方式很容易出问题。

  404重定向到另外一个页面:

  当Robot访问很多没有设置robots.txt文件的站点时,会被自动404重定向到另外一个Html页面。这时Robot常常会以处理robots.txt文件的方式处理这个Html页面文件。虽然一般这样没有什么问题,但是最好能放一个空白的robots.txt文件在站点根目录下。

  采用大写。例如

  USER-AGENT: EXCITE
  DISALLOW:

  虽然标准是没有大小写的,但是目录和文件名应该小写:

  user-agent:GoogleBot
  disallow:

  语法中有Disallow,没有Allow!

  错误的写法是:

  User-agent: Baiduspider
  Disallow: /john/
  allow: /jane/

  忘记了斜杠/

  错误的写做:

  User-agent: Baiduspider
  Disallow: css

  正确的应该是

  User-agent: Baiduspider
  Disallow: /css/

  下面一个在线小工具专门检查robots.txt文件的有效性:

http://www.sxw.org.uk/computing/robots/check.html

robots.txt在线生成:
http://www.robotstxt.com.cn/#G

当然也可以用谷歌管理员工具检测和在线生成robots.txt

关于robots.txt也可参考谷歌管理员博客的一篇文章:
http://www.googlechinawebmaster.com/2008/03/robotstxt.html

本站robots.txt参考:
http://lzw.me/robots.txt

  二、 Robots META标签

  1、什么是Robots META标签

  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。具体的形式类似(见黑体部分):

  
  
  志文工作室-计算机技术学习博客
  
  
  
  
     

  
  …
  
  

  2、Robots META标签的写法:

  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。

  INDEX 指令告诉搜索机器人抓取该页面;
  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;
  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。

  这样,一共有四种组合:

  
  
  
  

   其中可以写成可以写成

  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。

  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Robots META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。例如:

  表示抓取该站点中页面并沿着页面中链接抓取,但是不在GOOLGE上保留该页面的网页快照

点赞 (0)
  1. 美女小姨子说道:

    好好学习慢慢研究

  2. 过去的往事说道:

    支持下楼主 加油

  3. 勇者审判说道:

    谢谢啊··学习中·
    [reply=任侠,2010-01-31 04:19 PM]一起学习![/reply]

  4. MJ说道:

    robots学好实在不容易啊
    [reply=任侠,2010-01-30 04:53 PM]呵呵,再不容易也都是慢慢学习的嘛~[/reply]

  5. 仁心博客说道:

    robots很难搞啊
    [reply=任侠,2010-01-27 08:13 PM]呵呵,所以慢慢学习嘛
    多参考研究下其他网站的写法就是了[/reply]

发表评论

电子邮件地址不会被公开。 必填项已用*标注

This site uses Akismet to reduce spam. Learn how your comment data is processed.