详细参考百科
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:
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
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整个目录
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。
User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符
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: /
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标签也是放在页面的中,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。
分享到:
相关推荐
robots.txt使用方法 反爬虫 SEO.zip
另外,该项目可用于集成到任何SEO工具中,以检查机器人是否正确索引了内容。 对于第一个版本,我们正在尝试遵守Google用于分析网站的规范。 你可以看到它。 期待其他机器人规格的支持! 为什么要这个项目? 如果...
BetterRobots 旨在 SEO 增强您的 robots.txt 服务,特别是在您从一个应用程序提供多个域或子域的情况下。 例如 、assets.yoursite.com、beta.yoursite.com 等。 SEO 和您的 robots.txt 已弃用:Domain Sharding,...
更多的seo工具包请登录我的博客或者联系Q:240349846 推荐seo工具: 1.一个功能超强的查找与替换工具 2.KeywordS关健字排名查询.rar 3.百度指数分析工具.rar 4.老虎Sitemap生成器0.6.1.zip 5.反链检查软件.rar 6....
wp-robots-txt.1.0 WP插件 robots, seo WP Robots Txt Allows you to edit the content of your robots.txt file.
机械手 Spring Boot应用程序模块,可基于标准控制器注释自动...接下来,使用@DisallowRobots批注标记要从搜索引擎索引中排除的方法和/或控制器。 例如: @Controller @DisallowRobots public class FooController
页面布局和内页优化 下5.robots.txt的作用6.robots语法讲解7.站群优化 上8.站群优化 中9.站群优化 下10.中文分词算法11.隐含语义索引原理12.网站优化方案制作14.IIS日志的作用15.蛋糕原理16.网站权重分析1 资源太大...
2014年最新黑帽SEO目录:【】...页面布局和内页优化 下【】5.robots.txt的作用【】6.robots语法讲解【】7.站群优化 上【】8.站群优化 中【】9.站群优化 下【 资源太大,传百度网盘了,链接在附件中,有需要的同学自取。
robots.txt文件, 一个sitemap.xml文件,以及 HTML <meta>标签 您不再需要查找每个单独协议的格式,也不必使用大量的<meta>标签来污染HTML。 它还使您可以灵活地定义在运行时如何生成这些文件的行为...
pre-vue概述这是生成预渲染的静态站点的Vue + Nuxt配置的示例。 代替生成常规的单pa预先预览,而不是概述此示例是Vue + Nuxt...功能此项目模板内置以下功能:生成站点地图(用于SEO)生成robots.txt(用于SEO)支持唯一
为所有静态/预渲染/动态/服务器端页面生成sitemap和robots.txt。 目录 入门 入门 安装 yarn add next-sitemap -D 创建配置文件 next-sitemap在您的项目根目录下需要一个基本的配置文件( next-sitemap.js ) ...
title description keywords W3C认证标准 robots.txt文件 伪URL重写
UGC,Sponsored和Nofollow属性值* NEW *-Robots.txt如果是URL您访问的网站受到robots.txt中“允许”或“禁止”的影响,该扩展程序将为您显示扩展程序中的特定规则,从而使复制或访问实时robots.txt变得容易。...
搜索引擎优化(SEO)从入门到精通 Robots.txt 404 页面 搜索引擎优化作弊 搜索引擎优化 (FAQ)
1.SQL注入 25.SQL注入的理解.mp4 26.学员操作联合注入.mp4 26.联合注入.mp4 27注入类型.mp4 28.导出数据库别名拿shell.mp4 29.读文件.mp4 ...31.MYSQL布尔注入.mp4 ...98.Robots.txt的讲解.mp4 99.社工库的理解.mp4
Etch.OrchardCore.SEO 模块,可为...Robots.txt 管理/robots.txt内容或使用阻止搜索引擎。正在安装该模块在上可用。 通过NuGet程序包管理器添加对Orchard Core Web项目的引用。 搜索“ Etch.OrchardCore.SEO”,确保选
•File Editor:设置robots.txt、.htaccess相关文件 •Int.Rel.Researcher:设置关键词以及每页显示的关键词数量 •Linkbox Inserter:为每篇文章设置链接地址 •Meta Editor:博客首页的关键词、描述的设置 •More ...
Robots.txt编辑器 视频站点地图支持 图像SEO设置 .htaccess文件的文件编辑器 阻止行为不端的机器人 进出口商 社交元模块 WooCommerce SEO设置 与网站管理员工具连接的选项 模式支持 54种语言翻译支持 分类和标签的...
6、建立网站地图与ROBOTS.txt文件 7、反向链接不等于关键词链接。网站要多做关键词反连接 8、一个网站最好一个关键词制定首页,多着容易让搜索引擎确定不了网站内容的主题 9、链接路径一定要是绝对路径并且是网站...