Chinaunix首页 | 论坛 | 博客
  • 博客访问: 627975
  • 博文数量: 227
  • 博客积分: 8017
  • 博客等级: 中将
  • 技术积分: 2069
  • 用 户 组: 普通用户
  • 注册时间: 2007-12-08 22:50
文章分类

全部博文(227)

文章存档

2011年(10)

2010年(55)

2009年(28)

2008年(134)

我的朋友

分类: 系统运维

2010-08-16 20:04:04

robots简介

  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。
  可以在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。
  robots.txt(统一小写)是一种存放于网站根目录下的ASCII编码的文本文件,它通常告诉网络搜索引擎的漫游器(又称网络蜘蛛),此网站中的哪些内容是不能被搜索引擎的漫游器获取的,哪些是可以被(漫游器)获取的。 因为一些系统中的URL是大小写敏感的,所以robots.txt的文件名应统一为小写。robots.txt应放置于网站的根目录下。如果想单独定义搜索引擎的漫游器访问子目录时的行为,那么可以将自定的设置合并到根目录下的robots.txt,或者使用robots元数据。
  Robots.txt协议并不是一个规范,而只是约定俗成的,所以并不能保证网站的隐私。注意Robots.txt是用字符串比较来确定是否获取URL,所以目录末尾有和没有斜杠“/”这两种表示是不同的URL,也不能用"Disallow: *.gif"这样的通配符。
  其他的影响搜索引擎的行为的方法包括使用robots元数据:
  
  这个协议也不是一个规范,而只是约定俗成的,通常搜索引擎会识别这个元数据,不索引这个页面,以及这个页面的链出页面
  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)时,首先会检查该网站中是否存在/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。

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:
  ":"。
  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。
  Allow:
  该项的值用于描述希望被访问的一组URL,与Disallow项相似,这个值可以是一条完整的路径,也可以是路径的前缀,以Allow项的值开头的URL是允许robot访问的。例如"Allow:/hibaidu"允许robot访问/hibaidu.htm、/hibaiducom.html、/hibaidu/com.html。一个网站的所有URL默认是Allow的,所以Allow通常与Disallow搭配使用,实现允许访问一部分网页同时禁止访问其它所有URL的功能。
  需要特别注意的是Disallow与Allow行的顺序是有意义的,robot会根据第一个匹配成功的Allow或Disallow行确定是否访问某个URL。
  使用"*"和"$":
  robots支持使用通配符"*"和"$"来模糊匹配url:
  "$" 匹配行结束符。
  "*" 匹配0或多个任意字符。

robots.txt语法教程

  用几个最常见的情况,直接举例说明:
  1. 允许所有SE收录本站:robots.txt为空就可以,什么都不要写。
  2. 禁止所有SE收录网站的某些目录:
  User-agent: *
  Disallow: /目录名1/
  Disallow: /目录名2/
  Disallow: /目录名3/
  3. 禁止某个SE收录本站,例如禁止百度:
  User-agent: Baiduspider
  Disallow: /
  4. 禁止所有SE收录本站:
  User-agent: *
  Disallow: /
  5. 加入sitemap.xml路径,例如:
  Sitemap:

常见Robots名字

  名称 搜索引擎
  google蜘蛛: googlebot
   百度蜘蛛: baiduspider
  yahoo蜘蛛:slurp
  alexa蜘蛛:ia_archiver
  msn蜘蛛:msnbot
  altavista蜘蛛:scooter
  lycos蜘蛛: lycos_spider_(t-rex)
  alltheweb蜘蛛: fast-webcrawler/
  inktomi蜘蛛: slurp
  一个在线写robots.txt的工具。
  
  最后需要注意,robots.txt文件名必须是小写,而且放在网站根目录,比如:

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:
  <META NAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”>
  <META NAME=”ROBOTS” CONTENT=”NOINDEX,FOLLOW”>
  <META NAME=”ROBOTS” CONTENT=”INDEX,NOFOLLOW”>
  <META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”>
  其中
  <META NAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”>可以写成<META NAME=”ROBOTS” CONTENT=”ALL”>;
  <META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”>可以写成<META NAME=”ROBOTS” CONTENT=”NONE”>
  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:
  <META NAME=”googlebot” CONTENT=”index,follow,noarchive”>
  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。

 
禁止抓取图片:

  User-agent: *
  Disallow: .jpg$
  jpg可以代替为gif,png 等等...

禁止显示快照,但允许收录:

  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 部分:
  
  要允许其他搜索引擎显示快照,但仅防止搜索引擎显示,请使用以下标记:
  
阅读(773) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~