玩蛇网提供最新Python编程技术信息以及Python资源下载!
您现在的位置: 玩蛇网首页 > Python与SEO > 正文内容

SEO技术宅教你robots文件的正确写法及技巧

  资料一

  1.robots.txt文件是什么

  robots.txt是一个纯文本文件,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。每个站点最好建立一个robots.txt文件,对seo更友好。每当搜索蜘蛛来寻找并不存在的robots.txt文件时,服务器将在日志中记录一条404错误,所以你应该在网站中添加一个robots.txt(即使这个robots.txt文件只是一个空文件)。

  2.robots.txt的写法(语法)

  1)User-agent: 该项的值用于描述搜索引擎蜘蛛的名字。如果该项的值设为*,则该协议对任何机器人均有效。

  2)Disallow: 该项的值用于描述不希望被访问到的一个URL,一个目录或者整个网站。以Disallow 开头的URL 均不会被搜索引擎蜘蛛访问到。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。

  3)用法举例:

  网站目录下所有文件均能被所有搜索引擎蜘蛛访问

  User-agent: *

  Disallow:

  禁止所有搜索引擎蜘蛛访问网站的任何部分

  User-agent: *

  Disallow: /

  禁止所有的搜索引擎蜘蛛访问网站的几个目录

  User-agent: *

  Disallow: /a/

  Disallow: /b/

  禁止搜索引擎蜘蛛访问目录a和目录b

  只允许某个搜索引擎蜘蛛访问

  User-agent: Googlebot

  Disallow:

  您应该限制网站某些文件不被蜘蛛抓取。

  一般网站中不需要蜘蛛抓取的文件有:后台管理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。

  3.robots.txt文件带来的风险以及解决

  robots.txt 同时也带来了一定的风险:其也给攻击者指明了网站的目录结构和私密数据所在的位置。设置访问权限,对您的隐私内容实施密码保护,这样,攻击者便无从进入。

  4.常见搜索引擎蜘蛛Robots名字

  Baiduspider :http://www.baidu.com

  Scooter :http://www.altavista.com

  ia_archiver: http://www.alexa.com

  Googlebot :http://www.google.com

  Inktomi Slurp :http://www.yahoo.com

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

  Slurp :http://www.inktomi.com

  MSNBOT :http://search.msn.com

  5.注意事项:

  1)robots.txt必须放置在站点的根目录下,而且文件名必须全部小写。

  2)不要在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取。

  3)为安全考虑,建议很重要的文件夹不要写在robots.txt文件中,或你只建一个空白robots.txt文件,在不要访问的目录中加入其它的技术(目前还在探索中……)。

  seo会聚网robot.txt文件实例:www.seohj.com/robots.txt。

  我们也可以通过Robots META标签来针对一个个具体的页面。关于Robots META标签的详细介绍在Robots META标签用法。

  1.语法:

  <meta name="robots"content="搜索方式">

  2.说明:

  在该语法中,搜索方式的值和其对应的含义如下:

  all:页面将被检索,且页面上的链接可以被查询;

  none:页面不能被检索,且页面上的链接不可以被查询;

  index:页面将被检索,但不设置链接是否可以被查询;

  follow:页面上的链接可以被查询;

  noindex:页面不能被检索,但页面上的链接可以被查询;

  nofollow:页面能被检索,但页面上的链接却不可以被查询。

  3.实例:

  该实例设定网页能被检索,但页面上的链接却不可以被查询,代码如下:

  <html>

  <head>

  <title>限制搜索方式</title>

  <meta name="robots"content="index">

  </head>

  <body></body>

  </html>

  资料二

  一.什么是robots.txt文件?

  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。

  您可以在您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。

  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,它就会根据这个文件的内容,来确定它访问权限的范围。

  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。

  四. robots.txt文件用法举例

  例1. 禁止所有搜索引擎访问网站的任何部分

  下载该robots.txt文件

  User-agent: *

  Disallow: /

  例2. 允许所有的robot访问

  (或者也可以建一个空文件 "/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* 具有特殊的含义,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、进行电子商务已经从时髦演化成时尚。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,即使你从未与他 们有过任何联系。其实这正是Web Robot的功劳。Web Robot其实是一些程序,它可以 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。这些程序有时被叫 “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程序来完成信息的采集,例如Lycos,Webcrawler,Altavista等,以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,它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它所需要的记录格式。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,就可以象一个交通 警察一样,布置下一个个路标,告诉Web Robot应该怎么去检索你的主页,哪些可以检索,哪些不可以访问。

  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。很多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

  网络站点的管理员可以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 可以被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

  一个网页作者可以使用专门的HTML META tag ,来指出某一个网页是否可以被索 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的开发者,并非可以保证对任何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/,它先去检查文件robots.txt" target="_blank">http://www.sti.net.cn/robots.txt。如果这个文件存在,它便会按照这样的记录格式去分析:

  User-agent: *

  Disallow: /cgi-bin/

  Disallow: /tmp/

  Disallow: /~joe/

  以确定它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要求全部是小 写。在Robot的记录格式中每一个单独的"Disallow"行表示你不希望Robot访问的URL, 每个URL必须单独占一行,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,''*'' 表示一个特殊的含义---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:

  或者产生一个空的 "/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可以被索引,或是否可以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一样,它应该放在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,可以使用的指令包括 [NO]INDEX 和[NO]FOLLOW。INDEX 指令指出一个索引性robot是否可以对本页进行索引;FOLLOW 指 令指出robot是否可以跟踪本页的链接。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

  资料三

  什么是robots.txt?

  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。

  当一个搜索蜘蛛访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,如果存在,搜索机器人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,所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议,仅当您的网站包含不希望被搜索引擎收录的内容时,才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容,请勿建立robots.txt文件。

  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。

  语法:最简单的 robots.txt 文件使用两条规则:

  • User-Agent: 适用下列规则的漫游器

  • Disallow: 要拦截的网页

  robots.txt在SEO中作用

  在进行网站优化的时候,经常会使用robots文件把一些内容不想让蜘蛛抓取,以前写过一篇网站优化robots.txt文件的运用, 现在写这编文章在补充一点点知识!什么是robots.txt文件

  搜索引擎通过一种爬虫spider程序(又称搜索蜘蛛、robot、搜索机器人等),自动搜集互联网上的网页并获取相关信息。

  鉴于网络安全与隐私的考虑,搜索引擎遵循robots.txt协议。通过根目录中创建的纯文本文件robots.txt,网站可以声明不想被robots访问的部分。每个网站都可以自主控制网站是否愿意被搜索引擎收录,或者指定搜索引擎只收录指定的内容。当一个搜索引擎的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,如果该文件不存在,那么爬虫就沿着链接抓取,如果存在,爬虫就会按照该文件中的内容来确定访问的范围。

  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。robots.txt文件的格式

  User-agent: 定义搜索引擎的类型

  Disallow: 定义禁止搜索引擎收录的地址

  Allow: 定义允许搜索引擎收录的地址

  我们常用的搜索引擎类型有: (User-agent区分大小写)

  google蜘蛛:Googlebot

  百度蜘蛛:Baiduspider

  yahoo蜘蛛:Yahoo!slurp

  alexa蜘蛛:ia_archiver

  bing蜘蛛:MSNbot

  altavista蜘蛛:scooter

  lycos蜘蛛:lycos_spider_(t-rex)

  alltheweb蜘蛛:fast-webcrawler

  inktomi蜘蛛: slurp

  Soso蜘蛛:Sosospider

  Google Adsense蜘蛛:Mediapartners-Google

  有道蜘蛛:YoudaoBot

  robots.txt文件的写法

  User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符

  Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录

  Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录

  Disallow: /ABC/ 这里定义是禁止爬寻ABC目录下面的目录

  Disallow: /cgi-bin/*.htm 禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。

  Disallow: /*?* 禁止访问网站中所有的动态页面

  Disallow: /jpg$ 禁止抓取网页所有的.jpg格式的图片

  Disallow:/ab/adc.html 禁止爬去ab文件夹下面的adc.html文件。

  Allow: /cgi-bin/ 这里定义是允许爬寻cgi-bin目录下面的目录

  Allow: /tmp 这里定义是允许爬寻tmp的整个目录

  Allow: .htm$ 仅允许访问以".htm"为后缀的URL。

  Allow: .gif$ 允许抓取网页和gif格式图片

  robots.txt文件用法举例

  例1. 禁止所有搜索引擎访问网站的任何部分

  User-agent: *

  Disallow: /

  实例分析:淘宝网的 Robots.txt文件

  User-agent: Baiduspider

  Disallow: /

  User-agent: baiduspider

  Disallow: /

  很显然淘宝不允许百度的机器人访问其网站下其所有的目录。

  例2. 允许所有的robot访问 (或者也可以建一个空文件 “/robots.txt” file)

  User-agent: *

  Allow:

  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

  allow:/

  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*具有特殊的含义,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/

  Robot特殊参数:

  允许 Googlebot:

  如果您要拦截除 Googlebot 以外的所有漫游器不能访问您的网页,可以使用下列语法:

  User-agent:

  Disallow:/

  User-agent:Googlebot

  Disallow:

  Googlebot 跟随指向它自己的行,而不是指向所有漫游器的行。

  “Allow”扩展名:

  Googlebot 可识别称为“Allow”的 robots.txt 标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名,因此请使用您感兴趣的其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。

  您也可以同时使用“Disallow”和“Allow”。例如,要拦截子目录中某个页面之外的其他所有页面,可以使用下列条目:

  User-agent:Googlebot

  Disallow:/folder1/

  Allow:/folder1/myfile.html

  这些条目将拦截 folder1 目录内除 myfile.html 之外的所有页面。

  如果您要拦截 Googlebot 并允许 Google 的另一个漫游器(如 Googlebot-Mobile),可使用”Allow”规则允许该漫游器的访问。例如:

  User-agent:Googlebot

  Disallow:/

  User-agent:Googlebot-Mobile

  Allow:

  使用 * 号匹配字符序列:

  您可使用星号 (*) 来匹配字符序列。例如,要拦截对所有以 private 开头的子目录的访问,可使用下列条目:

  User-Agent:Googlebot

  Disallow:/private*/

  要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:

  User-agent:*

  Disallow:/*?*

  使用 $ 匹配网址的结束字符

  您可使用 $ 字符指定与网址的结束字符进行匹配。例如,要拦截以 .asp 结尾的网址,可使用下列条目:

  User-agent:Googlebot

  Disallow:/*.asp$

  您可将此模式匹配与 Allow 指令配合使用。例如,如果 ? 表示一个会话 ID,您可排除所有包含该 ID 的网址,确保 Googlebot 不会抓取重复的网页。但是,以 ? 结尾的网址可能是您要包含的网页版本。在此情况下,可对 robots.txt 文件进行如下设置:

  User-agent:*

  Allow:/*?$

  Disallow:/*?

  Disallow:/ *?

  一行将拦截包含 ? 的网址(具体而言,它将拦截所有以您的域名开头、后接任意字符串,然后是问号 (?),而后又是任意字符串的网址)。

  Allow: /*?$ 一行将允许包含任何以 ? 结尾的网址(具体而言,它将允许包含所有以您的域名开头、后接任意字符串,然后是问号 (?),问号之后没有任何字符的网址)。

  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标签也是放在页面中,专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。

  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。

  需要注意的是:

  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RobotsMETA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。

  编辑本段robots.txt使用误区

  特别提示:robots里面内容的大小写不可更改,Disallow后面的冒号必须为英文状态的。

  误区一

  网站上所有的文件都需要被蜘蛛抓取,那就没必要添加robots.txt文件了。反正如果该文件不存在,所有的搜索蜘蛛将默认能够访问网站上所有没有被口令保护的页面。

  误区二

  在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取,这样可以增加网站的收录率。

  网站中的脚本程序、样式表等文件即使被蜘蛛收录,也不会增加网站的收录率,还只会占用服务器存储空间。因此必须在robots.txt文件里设置不要让搜索蜘蛛索引脚本程序、样式表等文件,具体哪些文件需要排除,在robots.txt使用技巧一文中有详细介绍。

  误区三

  搜索蜘蛛抓取网页太浪费服务器资源,在robots.txt文件中设置所有的搜索蜘蛛都不能抓取全部的网页。

  如果这样的话,会导致整个网站不能被搜索引擎收录。

  编辑本段robots.txt使用技巧

  文件

  1. 每当用户试图访问某个不存在的URL时,服务器都会在日志中记录404错误(无法找到文件)。每当搜索蜘蛛来寻找并不存在的robots.txt文件时,服务器也将在日志中记录一条404错误,所以你应该在网站中添加一个robots.txt。

  2. 网站管理员必须使蜘蛛程序远离某些服务器上的目录——保证服务器性能。比如:大多数网站服务器都有程序储存在“cgi-bin”目录下,因此在robots.txt文件中加入“Disallow: /cgi-bin/”是个好主意,这样能够避免将所有程序文件被蜘蛛索引,可以节省服务器资源。一般网站中不需要蜘蛛抓取的文件有:后台管理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。

  下面是VeryCMS里的robots.txt文件:

  User-agent: *

  Disallow: /admin/ 后台管理文件

  Disallow: /require/ 程序文件

  Disallow: /attachment/ 附件

  Disallow: /images/ 图片

  Disallow: /data/ 数据库文件

  Disallow: /template/ 模板文件

  Disallow: /css/ 样式表文件

  Disallow: /lang/ 编码文件

  Disallow: /script/ 脚本文件

  3. 如果你的网站是动态网页,并且你为这些动态网页创建了静态副本,以供搜索蜘蛛更容易抓取。那么你需要在robots.txt文件里设置避免动态网页被蜘蛛索引,以保证这些网页不会被视为含重复内容。

  4. robots.txt文件里还可以直接包括在sitemap文件的链接。就像这样:

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

  (此处请填写XML地图的绝对路径,即完整URL,如果按习惯填写Sitemap: /sitemap.xml,提交后会提示:检测到无效的 Sitemap 网址;语法错误。

  XML地图必须在网站根目录下才有效。)

  目前对此表示支持的搜索引擎公司有Google, Yahoo, Ask and MSN。而中文搜索引擎公司,显然不在这个圈子内。这样做的好处是,站长不用到每个搜索引擎的站长工具或者相似的站长部分,去提交自己的sitemap文件,搜索引擎的蜘蛛自己就会抓取robots.txt文件,读取其中的sitemap路径,接着抓取其中相链接的网页。

  5. 合理使用robots.txt文件还能避免访问时出错。比如,不能让搜索者直接进入购物车页面。因为没有理由使购物车被收录,所以你可以在robots.txt文件里设置来阻止搜索者直接进入购物车页面。

  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和Allow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"robots.txt"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*,则对任何robot均有效,在"robots.txt"文件中,"User-agent:*"这样的记录只能有一条。如果在"robots.txt"文件中,加入"User-agent:SomeBot"和若干Disallow、Allow行,那么名为"SomeBot"只受到"User-agent:SomeBot"后面的Disallow和Allow行的限制。

  Disallow:

  该项的值用于描述不希望被访问的一组URL,这个值可以是一条完整的路径,也可以是路径的非空前缀,以Disallow项的值开头的URL不会被robot访问。例如"Disallow:/help"禁止robot访问/help.html、/helpabc.html、/help/index.html,而"Disallow:/help/"则允许robot访问/help.html、/helpabc.html,不能访问/help/index.html。"Disallow:"说明允许robot访问该网站的所有url,在"/robots.txt"文件中,至少要有一条Disallow记录。如果"/robots.txt"不存在或者为空文件,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"$":

  Baiduspider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文件字符编码

  robots.txt使用什么字符编码,并没有相关规定,都是各搜索引擎自已定义的。虽然google和其它搜索引擎建议大家使用 utf-8 字符编码格式的robots.txt,但几乎所有的搜索引擎都支持 ANSI 编码格式,而google自已对 utf-8 编码格式的robots.txt,会出现首字乱码。所以为了达到最大的兼容性,建议大家使用 ANSI 格式编码,或者使用 utf-8 编码格式,但需要空出首行。

  还有一个建议就是robots.txt中最好不要出现中文,即使是注释也要使用英文。

  robots.txt文件用法举例

  例1.禁止所有搜索引擎访问网站的任何部分 User-agent: *

  Disallow: /

  例2.允许所有的robot访问

  (或者也可以建一个空文件 "/robots.txt") 第1种写法

  User-agent: *

  Allow: /

  第2种写法

  User-agent: *

  Allow:

  第3种写法

  User-agent: *

  Disallow:

  例3. 仅禁止Baiduspider访问您的网站 User-agent: Baiduspider

  Disallow: /

  例4. 仅允许Baiduspider访问您的网站 User-agent: Baiduspider

  Allow: /

  例5. 禁止spider访问特定目录

  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robot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,而不能写成 "Disallow: /cgi-bin/ /tmp/"。 User-agent: *

  Disallow: /cgi-bin/

  Disallow: /tmp/

  Disallow: /~joe/

  例6. 允许访问特定目录中的部分url User-agent: *

  Allow: /cgi-bin/see

  Allow: /tmp/hi

  Allow: /~joe/look

  例7. 使用"*"限制访问url

  禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。

  User-agent: *

  Disallow: /cgi-bin/*.htm

  例8. 使用"$"限制访问url

  仅允许访问以".htm"为后缀的URL。 User-agent: *

  Allow: / .htm$

  例9. 禁止访问网站中所有的动态页面 User-agent: *

  Disallow: /*?*

  例10. 禁止Baiduspider抓取网站上所有图片

  仅允许抓取网页,禁止抓取任何图片。 User-agent: Baiduspider

  Disallow: /*.jpg$

  Disallow: /* .jpeg$

  Disallow: /* .gif$

  Disallow: /* .png$

  Disallow: /*.bmp$

  例11. 仅允许Baiduspider抓取网页和。gif格式图片

  允许抓取网页和gif格式图片,不允许抓取其他格式图片 User-agent: Baiduspider

  Allow: .gif$

  Disallow: /.jpg$

  Disallow: / .jpeg$

  Disallow: / .png$

  Disallow: /.bmp$

  例12. 仅禁止Baiduspider抓取。jpg格式图片 User-agent: /Baiduspider

  Disallow: /.jpg$

  百度各个产品使用不同的user-agent:

  无线搜索 Baiduspider-mobile

  图片搜索 Baiduspider-image

  视频搜索 Baiduspider-video

  新闻搜索 Baiduspider-news

  百度搜藏 Baiduspider-favo

  百度联盟 Baiduspider-cpro

  商务搜索 Baiduspider-ads

  网页以及其他搜索 Baiduspider

玩蛇网文章,转载请注明出处和文章网址:http://www.iplaypy.com/seo/s7868.html [复制]



我要小额赞助,鼓励作者写出更好的教程↓↓↓

玩蛇网Python QQ群,欢迎加入: ① 279974227 玩蛇网Python新手群
修订日期:2017年05月10日 - 10时46分16秒 发布自玩蛇网

我要分享到:
评论列表(网友评论仅供网友表达个人看法,并不表明本站同意其观点或证实其描述)

必知PYTHON教程 Must Know PYTHON Tutorials

必知PYTHON模块 Must Know PYTHON Modules