robots.txt禁止搜索引擎收录

时间:2021-08-05 23:11:24

禁止搜索引擎收录的方法
       

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