商务中心
商务中心
发布信息
发布信息
排名推广
排名推广
 
当前位置: 首页 » 资讯 » 电脑网络 » 正文

网站seo:robots.txt文件的原理及写法

放大字体  缩小字体 发布日期:2014-02-10  来源:百度百科  浏览次数:482
  1 简介
       robots.txt文件是一个文本文件,使用任何一个常见的文本编辑器,比如Windows系统自带的Notepad,就可以创建和编辑它[1]。robots.txt是一个协议,而不是一个命令。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。
  
  如果将网站视为酒店里的一个房间,robots.txt就是主人在房间门口悬挂的“请勿打扰”或“欢迎打扫”的提示牌。这个文件告诉来访的搜索引擎哪些房间可以进入和参观,哪些房间因为存放贵重物品,或可能涉及住户及访客的隐私而不对搜索引擎开放。但robots.txt不是命令,也不是防火墙,如同守门人无法阻止窃贼等恶意闯入者。
  
  2 原则 robots协议原理
  
  Robots协议是国际互联网界通行的道德规范,基于以下原则建立:
  
  1、搜索技术应服务于人类,同时尊重信息提供者的意愿,并维护其隐私权;
  
  2、网站有义务保护其使用者的个人信息和隐私不被侵犯。
  
  3功能Robots协议用来告知搜索引擎哪些页面能被抓取,哪些页面不能被抓取;可以屏蔽一些网站中比较大的文件,如:图片,音乐,视频等,节省服务器带宽;可以屏蔽站点的一些死链接。方便搜索引擎抓取网站内容;设置网站地图连接,方便引导蜘蛛爬取页面。
  
  文件写法
  
  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包含问号(?)的网址
  
  Disallow:/.jpg$禁止抓取网页所有的.jpg格式的图片
  
  Disallow:/ab/adc.html禁止爬取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
  
  Sitemap:网站地图告诉爬虫这个页面是网站地图
  
  文件用法
  
  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“anyrobot”,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
  
  Allow:/folder1/myfile.html
  
  Disallow:/folder1/
  
  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)。
  
  尽管robots.txt已经存在很多年了,但是各大搜索引擎对它的解读都有细微差别。Google与百度都分别在自己的站长工具中提供了robots工具。如果您编写了robots.txt文件,建议您在这两个工具中都进行测试,因为这两者的解析实现确实有细微差别[1]。
  
  其它属性
  
  1.Robot-version:用来指定robot协议的版本号
  
  例子:Robot-version:Version2.0
  
  2.Crawl-delay:雅虎YST一个特定的扩展名,可以通过它对我们的抓取程序设定一个较低的抓取请求频率。您可以加入Crawl-delay:xx指示,其中,“XX”是指在crawler程序两次进入站点时,以秒为单位的最低延时。
  
  3.Visit-time:只有在visit-time指定的时间段里,robot才可以访问指定的URL,否则不可访问.
  
  例子:Visit-time:0100-1300#允许在凌晨1:00到13:00访问
  
  4.Request-rate:用来限制URL的读取频率
  
  例子:Request-rate:40/1m0100-0759在1:00到07:59之间,以每分钟40次的频率进行访问
  
  Request-rate:12/1m0800-1300在8:00到13:00之间,以每分钟12次的频率进行访问
  
  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RobotsMeta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,RobotsMeta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。
  
  RobotsMeta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;
  
  RobotsMeta标签的缺省值是index和follow,只有inktomi除外,对于它,缺省值是index、nofollow。
  
  注意事项
  
  上述的robots.txt和RobotsMeta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,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。
  
  3 位置  
       robots.txt文件应该放置在网站根目录下。举例来说,当spider访问一个网站时,首先会检查该网站中是否存在robots.txt这个文件,如果Spider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。
  
  wordpress的robots位置
  
  没有在wordpress网站根节目上传过robots.txt,当搜寻引擎和用户拜访某个文件时,wordpress程序会主动生成一个robots.txt给搜寻引擎和用户;若是我们上传编写的robots.txt到网站根节目,用户和搜寻引擎蛛蛛拜访的就是我们上传的文件,wordpress就不会再产生那个文件了。只有服务器找不到robots的时候wordpress才会生成这个文件。
  
  
 
 
[ 资讯搜索 ]  [ 加入收藏 ]  [ 告诉好友 ]  [ 打印本文 ]  [ 关闭窗口 ]

 
0条 [查看全部]  相关评论

 
推荐图文
推荐资讯
点击排行

 
网站首页 | 版权隐私 | 使用协议 | 联系方式 | 关于我们 | 网站地图 | 排名推广 | 广告服务 | 积分换礼 | 网站留言 | RSS订阅 | 湘ICP备17000155号-1
免责声明:本站提供葡萄种植_刺葡萄_林果网_药用植物_花卉网_农资网_植物网等相关资讯,本站信息的真实性、准确性和合法性由发布者负责,本站不承担任何保证和责任!
版权申明: 1、凡本站注明“特色植物网”的文/图等需经本网书面授权方可使用,并注明“作者:特色植物网”。 2、本站未注明"特色植物网”的文/图等为转载稿,如其他媒体、网站或个人从本网下载使用,必须保留本网注明的"稿件来源",并自负版权等法律责任。如擅篡改为"稿件来源:特色植物网",本网将依法追究责任。 3、本站转载资料旨在积累资讯供自我学习与研究.如涉及版权问题,请作者跟我们联系或通知我们立即撤除。邮箱:9979052@qq.com 4、其他版权事项请参看:版权隐私
地址:湖南省娄底市乐平街道办事处秀石街大同沁园小区 邮编 417000  技术苗木合作E-mail:9979052@qq.com 技术苗木合作QQ:9979052
Powered by DESTOON