搜索引擎通過一種程序robot（又稱spider），自動訪問互聯(lián)網(wǎng)上的網(wǎng)頁并獲取網(wǎng)頁信息。

搜索引擎通過一種程序robot（又稱spider），自動訪問互聯(lián)網(wǎng)上的網(wǎng)頁并獲取網(wǎng)頁信息。

您可以在您的網(wǎng)站中創(chuàng)建一個純文本文件robots.txt，在這個文件中聲明該網(wǎng)站中不想被robot訪問的部分，這樣，該網(wǎng)站的部分或全部內(nèi)容就可以不被搜索引擎收錄了，或者指定搜索引擎只收錄指定的內(nèi)容。robots.txt文件應(yīng)該放在網(wǎng)站根目錄下。

當(dāng)一個搜索機器人（有的叫搜索蜘蛛）訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果存在，搜索機器人就會按照該文件中的內(nèi)容來確定訪問的范圍；如果該文件不存在，那么搜索機器人就沿著鏈接抓取。

robots.txt文件的格式：

“robots.txt”文件包含一條或更多的記錄，這些記錄通過空行分開（以CR，CR/NL， or NL作為結(jié)束符），每一條記錄的格式如下所示：

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

在該文件中可以使用#進行注解，具體使用方法和UNIX中的慣例一樣。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow行，詳細情況如下：

User-agent：

該項的值用于描述搜索引擎robot的名字，在 ”robots.txt”文件中，如果有多條User-agent記錄說明有多個robot會受到該協(xié)議的限制，對該文件來說，至少要有一條User- agent記錄。如果該項的值設(shè)為*，則該協(xié)議對任何機器人均有效，在”robots.txt”文件中，”User-agent：*”這樣的記錄只能有一條。

Disallow：

該項的值用于描述不希望被訪問到的一個URL，這個URL可以是一條完整的路徑，也可以是部分的，任何以Disallow開頭的URL均不會被robot 訪問到。例如”Disallow:/help”對/help.html 和/help/index.html都不允許搜索引擎訪問，而”Disallow:/help/”則允許robot訪問/help.html，而不能訪問 /help/index.html。任何一條Disallow記錄為空，說明該網(wǎng)站的所有部分都允許被訪問，在”/robots.txt”文件中，至少要有一條Disallow記錄。如果”/robots.txt”是一個空文件，則對于所有的搜索引擎robot，該網(wǎng)站都是開放的。

robots.txt文件用法舉例：

例1. 禁止所有搜索引擎訪問網(wǎng)站的任何部分 下載該robots.txt文件 User-agent： * Disallow： /

例2. 允許所有的robot訪問 （或者也可以建一個空文件 “/robots.txt” file） User-agent： *Disallow：

例3. 禁止某個搜索引擎的訪問 User-agent： BadBotDisallow： /

例4. 允許某個搜索引擎的訪問 User-agent： baiduspiderDisallow： User-agent： *Disallow： /

例 5.一個簡單例子　　在這個例子中，該網(wǎng)站有三個目錄對搜索引擎的訪問做了限制，即搜索引擎不會訪問這三個目錄?！　⌒枰⒁獾氖菍γ恳粋€目錄必須分開聲明，而不要寫成 “Disallow： /cgi-bin/ /tmp/”?！　ser-agent：后的*具有特殊的含義，代表”any robot”，所以在該文件中不能有”Disallow： /tmp/*” or “Disallow：*.gif”這樣的記錄出現(xiàn)。 User-agent： *Disallow： /cgi-bin/Disallow： /tmp/Disallow： /~joe/

Robot特殊參數(shù)：

1. Google

允許 Googlebot：

如果您要攔截除 Googlebot 以外的所有漫游器訪問您的網(wǎng)頁，可以使用下列語法：

User-agent:Disallow:/

User-agent:Googlebot

Disallow：

Googlebot 跟隨指向它自己的行，而不是指向所有漫游器的行。

“Allow”擴展名：

Googlebot 可識別稱為”Allow”的 robots.txt 標(biāo)準(zhǔn)擴展名。其他搜索引擎的漫游器可能無法識別此擴展名，因此請使用您感興趣的其他搜索引擎進行查找。”Allow”行的作用原理完全與 ”Disallow”行一樣。只需列出您要允許的目錄或頁面即可。

您也可以同時使用”Disallow”和”Allow”。例如，要攔截子目錄中某個頁面之外的其他所有頁面，可以使用下列條目：

User-Agent:Googlebot

Disallow:/folder1/

Allow:/folder1/myfile.html

這些條目將攔截 folder1 目錄內(nèi)除 myfile.html 之外的所有頁面。

如果您要攔截 Googlebot 并允許 Google 的另一個漫游器（如 Googlebot-Mobile），可使用”Allow”規(guī)則允許該漫游器的訪問。例如：

User-agent:Googlebot

Disallow:/

User-agent:Googlebot-Mobile

Allow：

使用 * 號匹配字符序列：

您可使用星號 （*） 來匹配字符序列。例如，要攔截對所有以 private 開頭的子目錄的訪問，可使用下列條目：

User-Agent:Googlebot

Disallow:/private*/

要攔截對所有包含問號 （？） 的網(wǎng)址的訪問，可使用下列條目：

User-agent：*

Disallow:/*？*

使用 $ 匹配網(wǎng)址的結(jié)束字符

您可使用 $ 字符指定與網(wǎng)址的結(jié)束字符進行匹配。例如，要攔截以 .asp 結(jié)尾的網(wǎng)址，可使用下列條目：

User-Agent:Googlebot

Disallow:/*.asp$

您可將此模式匹配與 Allow 指令配合使用。例如，如果 ？ 表示一個會話 ID，您可排除所有包含該 ID 的網(wǎng)址，確保 Googlebot 不會抓取重復(fù)的網(wǎng)頁。但是，以 ？ 結(jié)尾的網(wǎng)址可能是您要包含的網(wǎng)頁版本。在此情況下，可對 robots.txt 文件進行如下設(shè)置：

User-agent：*

Allow:/*？$

Disallow:/*？

Disallow:/ *？一行將攔截包含 ？ 的網(wǎng)址（具體而言，它將攔截所有以您的域名開頭、后接任意字符串，然后是問號 （？），而后又是任意字符串的網(wǎng)址）。

Allow： /*？$ 一行將允許包含任何以 ？ 結(jié)尾的網(wǎng)址（具體而言，它將允許包含所有以您的域名開頭、后接任意字符串，然后是問號 （？），問號之后沒有任何字符的網(wǎng)址）。

Sitemap 網(wǎng)站地圖：

對網(wǎng)站地圖的新的支持方式，就是在robots.txt文件里直接包括sitemap文件的鏈接。

就像這樣：

Sitemap： http://www.eastsem.com/sitemap.xml

目前對此表示支持的搜索引擎公司有Google， Yahoo， Ask and MSN。

不過，我建議還是在Google Sitemap 進行提交，里面有很多功能可以分析你的鏈接狀態(tài)。

更多精彩點擊下一頁

#p#

搜索引擎通過一種程序robot（又稱spider），自動訪問互聯(lián)網(wǎng)上的網(wǎng)頁并獲取網(wǎng)頁信息。

Robots.txt帶來的好處：

1. 幾乎所有的搜索引擎Spider都遵循robots.txt給出的爬行規(guī)則，協(xié)議規(guī)定搜索引擎Spider進入某個網(wǎng)站的入口即是該網(wǎng)站的 robots.txt，當(dāng)然，前提是該網(wǎng)站存在此文件。對于沒有配置robots.txt的網(wǎng)站，Spider將會被重定向至404 錯誤頁面，相關(guān)研究表明，如果網(wǎng)站采用了自定義的404錯誤頁面，那么Spider將會把其視作robots.txt——雖然其并非一個純粹的文本文件 ——這將給Spider索引網(wǎng)站帶來很大的困擾，影響搜索引擎對網(wǎng)站頁面的收錄。

2. robots.txt可以制止不必要的搜索引擎占用服務(wù)器的寶貴帶寬，如email retrievers，這類搜索引擎對大多數(shù)網(wǎng)站是沒有意義的；再如image strippers，對于大多數(shù)非圖形類網(wǎng)站來說其也沒有太大意義，但卻耗用大量帶寬。

3. robots.txt可以制止搜索引擎對非公開頁面的爬行與索引，如網(wǎng)站的后臺程序、管理程序，事實上，對于某些在運行中產(chǎn)生臨時頁面的網(wǎng)站來說，如果未配置robots.txt，搜索引擎甚至?xí)饕切┡R時文件。

4. 對于內(nèi)容豐富、存在很多頁面的網(wǎng)站來說，配置robots.txt的意義更為重大，因為很多時候其會遭遇到搜索引擎Spider給予網(wǎng)站的巨大壓力：洪水般的Spider訪問，如果不加控制，甚至?xí)绊懢W(wǎng)站的正常訪問。

5. 同樣地，如果網(wǎng)站內(nèi)存在重復(fù)內(nèi)容，使用robots.txt限制部分頁面不被搜索引擎索引和收錄，可以避免網(wǎng)站受到搜索引擎關(guān)于 duplicate content的懲罰，保證網(wǎng)站的排名不受影響。

robots.txt帶來的風(fēng)險及解決：

1. 凡事有利必有弊，robots.txt同時也帶來了一定的風(fēng)險：其也給攻擊者指明了網(wǎng)站的目錄結(jié)構(gòu)和私密數(shù)據(jù)所在的位置。雖然在Web服務(wù)器的安全措施配置得當(dāng)?shù)那疤嵯逻@不是一個嚴(yán)重的問題，但畢竟降低了那些不懷好意者的攻擊難度。

比如說，如果網(wǎng)站中的私密數(shù)據(jù)通過www.yourdomain.com/private/index.html 訪問，那么，在robots.txt的設(shè)置可能如下：

User-agent： *

Disallow： /private/

這樣，攻擊者只需看一下robots.txt即可知你要隱藏的內(nèi)容在哪里，在瀏覽器中輸入www.yourdomain.com/private/ 便可訪問我們不欲公開的內(nèi)容。對這種情況，一般采取如下的辦法：

設(shè)置訪問權(quán)限，對/private/中的內(nèi)容實施密碼保護，這樣，攻擊者便無從進入。

另一種辦法是將缺省的目錄主文件index.html更名為其他，比如說abc-protect.html，這樣，該內(nèi)容的地址即變成 www.yourdomain.com/private/abc-protect.htm，同時，制作一個新的index.html文件，內(nèi)容大致為“你沒有權(quán)限訪問此頁”之類，這樣，攻擊者因不知實際的文件名而無法訪問私密內(nèi)容。

2. 如果設(shè)置不對，將導(dǎo)致搜索引擎將索引的數(shù)據(jù)全部刪除。

User-agent： *

Disallow： /

上述代碼將禁止所有的搜索引擎索引數(shù)據(jù)。

目前看來，絕大多數(shù)的搜索引擎機器人都遵守robots.txt的規(guī)則，而對于Robots META標(biāo)簽，目前支持的并不多，但是正在逐漸增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE還增加了一個指令“archive”，可以限制GOOGLE是否保留網(wǎng)頁快照。例如：

<META NAME=”googlebot” CONTENT=”index,follow,noarchive”>

表示抓取該站點中頁面并沿著頁面中鏈接抓取，但是不在GOOLGE上保留該頁面的網(wǎng)頁快照。

最新評論