Loading...

当前位置:资讯中心主页 >HTML/DHTML >文章内容

  • Html:robots.txt禁止搜索引擎收录的方法
  • 来源：作者： 发布时间:2007-04-22 08:00:00

    • 域名注册

    • 域名惊喜价格 cn域名1元注册
    • com域名39.9元

      虚拟主机

    • 主机按月支付,低至19元/月
    • 超大流量,可开子站点

      VPS主机

    • 特惠VPS168元/月,4-8M独享带宽保证
    • 独立操作系统,无限开站点
    一．什么是robots.txt文件?

    搜索引擎通过一种程式robot（又称spider），自动访问互连网上的网页并获取网页信息。

    你能在你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能不被搜索引擎收录了，或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，他就会根据这个文件的内容，来确定他访问权限的范围。

    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>"。

    在该文件中能使用#进行注解，具体使用方法和UNIX中的惯例相同。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,周详情况如下：

    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*，则该协议对所有机器人均有效，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能是一条完整的路径，也能是部分的，所有以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。
    所有一条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所有部分

    下载该robots.txt文件 User-agent: *
    Disallow: /

    例2. 允许所有的robot访问

    (或也能建一个空文件 "/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* 具有特别的含义，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？

    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，即使你从未和他 们有过所有联系。其实这正是Web Robot的功劳。Web Robot其实是一些程式，他能 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。这些程式有时被叫 “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程式来完成信息的采集，例如Lycos，Webcrawler，Altavista等，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，他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他所需要的记录格式。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，就能象一个交通 警察相同，布置下一个个路标，告诉Web Robot应该怎么去检索你的主页，哪些能检索，哪些不能访问。

    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。非常多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

    网络站点的管理员能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 能被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

    一个网页作者能使用专门的HTML META tag ，来指出某一个网页是否能被索 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的研发者，并非能确保对所有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/ ，他先去检查文件robots.txt" target="_blank">http://www.sti.net.cn/robots.txt 。如果这个文件存在，他便会按照这样的记录格式去分析：

    User-agent: *
    Disallow: /cgi-bin/
    Disallow: /tmp/
    Disallow: /~joe/

    以确定他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需求全部是小 写。在Robot的记录格式中每一个独立的"Disallow"行表示你不希望Robot访问的URL， 每个URL必须独立占一行，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，’*’ 表示一个特别的含义---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能被索引，或是否能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相同，他应该放在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，能使用的指令包括 [NO]INDEX 和[NO]FOLLOW。INDEX 指令指出一个索引性robot是否能对本页进行索引；FOLLOW 指 令指出robot是否能跟踪本页的链接。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。


  • 以上内容由 华夏名网 搜集整理，如转载请注明原文出处，并保留这一部分内容。

    　　“华夏名网” http://www.sudu.cn 和 http://www.bigwww.com 是成都飞数科技有限公司的网络服务品牌，专业经营虚拟主机,域名注册，VPS,服务器租用业务。公司创建于2002年，经过6年的高速发展，“华夏名网”已经成为我国一家知名的互联网服务提供商，被国外权威机构webhosting.info评价为25大IDC服务商之一。

    华夏名网网址导航: 虚拟主机 双线主机 主机 域名注册 cn域名 域名 服务器租用 酷睿服务器 vps vps主机

  • (阅读次数:184)
  • 上一篇： HTML页面的参数化实现(仿ASP)    下一篇: HTML 的进化
  • [收藏] [推荐] [评论] [打印本页] [返回上一页][关闭窗口]
  • 昵称： (为空则显示guest)
  • 评论分数： ★ ★ ★ ★★★ ★★★★ ★★★★★
  • 评论内容：(不能超过250字，需审核后才会公布，请自觉遵守互联网相关政策法规。