通过[蜘蛛协议]Robots.txt禁止搜索引擎收录的方法

 
    1. 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。
       
    2. 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
       
    3. 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。

    4. 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" 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/
       
    5. 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
上一篇:Python dir


下一篇:Asp.Net customErrors与httpErrors的区别