http://www.dzhope.com/index.php zh-cn http://www.dzhope.com/post// jed <jed521@163.com> Fri, 08 Sep 2006 00:04:09 +0000 http://www.dzhope.com/post//
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：

　　　　":"。


　　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、Javascript、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 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：
　　
　　象其他的META tag一样，它应该放在HTML文件的HEAD区：
　　
　　
　　
　　
　　
　　
　　
　　...

　　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：
　　
　　
　　
　　

　　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。


]]> http://www.dzhope.com/post//#blogcomment <user@domain.com> Thu, 01 Jan 1970 00:00:00 +0000 http://www.dzhope.com/post//#blogcomment