robots文件
robots.txt文件用于指令搜索引擎禁止抓取网站某些内容或指定允许抓取某些内容,搜索引擎蜘蛛访问网站时,会先查看网站根目录下有没有一个命名为robots.txt的纯文本文件。如百度的robots.txt文件位于:
http://www.baidu.com/robots.txt
只有在需要禁止抓取某些内容时,写robots.txt才有意义。robots文件不存在或者是空文件都意味着允许搜索引擎抓取所有内容。有的服务器设置有问题,robots文件不存在时会返回200状态码及一些错误信息,面不是404状态码,这有可能使搜索引擎错误解读robots文件信息,所以建议就算允许抓取所有内容,也要建一个空的robots.txt文件,放在根目录下。
robots文件由记录组成,记录之间以空行分开。记录格式为:
〈域〉:〈可选空格〉〈域值〉〈可选空格〉
最简单的robots文件:
User-agent:*
Disallow:/
上面这个robots文件禁止所有搜索引擎抓取任何内容。
User-agent:指定下面的规则适用于哪个蜘蛛。通配符*代表所有搜索引擎。
只适用于百度蜘蛛则用:
User-agent:Baiduspider
只适用于Google蜘蛛则用:
Disallow:告诉蜘蛛不要抓取某些文件或目录。例如下面的代码将阻止所有蜘蛛抓取/cgi-bin/和/tmp/两个目录下的内容及文件/aa/index.html:
User-agent:*
Disallow:/cgi-bin/
Disallow:/tmp/
Disallow:/aa/index.html
Disallow:禁止的目录或文件必须分开写,每个一行,不能写行:
Disallow:/cgi-bin/ /tmp/ /aa/index.html
下面的指令相当于允许所有搜索引擎抓取任何内容:
User-agent:*
Disallow:
下面的代码禁止除百度外的所有搜索引擎抓取任何内容:
User-agent:baiduspider
Disallow:
User-agent:*
Disallow:/
Allow:告诉蜘蛛应该抓取某些文件。由于不指定就是允许抓取,Allow单独写没有意义,Allow和Disallow配合使用,可以告诉蜘蛛某个目录下大部分不允许抓取,只允许抓取一部分。例如,下面的代码将使蜘蛛不抓取/ab/目录下其他目录和文件,但允许抓取其中/cd/目录下的内容:
User-agent:*
Disallow:/ab/
Allow:/ab/cd/
$通配符:匹配URL结尾的字符。例如,下面的代码将允许蜘蛛抓取以.htm为后缀的URL:
User-agent:*
Allow:.htm$
下面的代码将禁止百度抓取所有.jpg文件:
User-agent:Baiduspider
Disallow:.jpg$
*通配符:告诉蜘蛛匹配任意一段字体。例如,下面一段代码将禁止蜘蛛抓取所有htm文件:
User-agent:*
Disallow:/*.htm
主流搜索引擎都遵守robots文件指令,robots.txt禁止抓取的文件搜索引擎访问,不抓取。但要注意的是,被robots文件禁止抓取的URL还是可能出现在搜索结果中,只要有导入链接指向这个URL,搜索引擎就知道这个URL的存在,虽然不会抓取页面内容,但是可能以下面几种形式显示在搜索结果中:
·只显示URL,没有标题、描述。Google常这样处理。
·显示开放目录或雅虎等重要目录收录的标题和描述。
·导入链接的锚文字显示为标题和描述。进度常这样处理。
要想使URL完全不出现在搜索结果中,需要使用页面上的meta robots标签。
meta robots标签
meta robots标签是页面head部分meta标签的一种,用于指令搜索引擎禁止索引本页最简单的meta robots标签格式为:
〈meta name=”robots” content=”noindex,nofollow”〉
上面标签的意义是禁止所有搜索引擎索引页面,禁止跟踪本页面上的链接。
Google、必应、雅虎都支持的meta robots标签如下:
·NOINDEX:告诉蜘蛛不要索引本页面。
·NOFLLOW:告诉蜘蛛不要跟踪本页面上的链接。
·NOSNIPPET:告诉搜索引擎不要在搜索结果中显示说明文字。
·NOARCHIVE:告诉搜索引擎不要显示快照。
·NOODP:告诉搜索引擎不要使用开放目录中的标题和说明。
百度的官方说法是只支持NOFOLLOW和NOARCHIVE。
meta robots标签内容可以写在一起,以逗号间隔,中间可以有空格,也可以没有。多外meta robots内容也可以写成不同标签。
〈META NAME=”ROBOTS” CONTENT=”NOINDEX”〉
〈META NAME=”ROBOTS” CONTENT=”NOFLLOW”〉
与下面这个是一样的:
〈META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”〉
meta robots标签不区分大小写。
只有禁止索引时,使用meta robots才有意义。以下这个标签:
〈META NAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”〉
是没有意义的,等于没写。普通需要被收录、索引,链接需要被跟踪的页面,不用写meta robots标签。
这个标签有时会用到:
〈meta name=”robots” content=”noindex”〉
效果是禁止索引本页面,但允许蜘蛛跟踪页面上的链接,也可以传递权重。
使用了noindex的meta robots标签的页面会被抓取,但不会被索引,页面URL不会出现在搜索结果中,这一点与robots文件不同。
本文固定链接: http://www.ouchaoman.com/2013/06/16/robots-file/ | 欧阳博客